李宏毅-ML2022-HW11-Adaptation

Task Description

本次作业的主题是Domain Adaptation，即领域自适应。

假设你要执行与真实3D场景相关的任务，但是真实环境3D图像很难标记并且价格昂贵，而模拟图像（例如GTA-5上的模拟场景）易于标记。如果将模拟图像作为训练集，真实环境图像作为测试集，这样作会有什么问题？

模型会将真实环境图像识别为“异常”，因为训练数据和测试数据来自不同的domain。

如何解决这个问题哪？需要进行Domain Shift，我们旨在找到一个特征提取器，它接收输入数据并输出特征空间。这个特征提取器能够滤掉domain相关的信息，只保留不同domain之间共享的特征（详情参见课程录影）。

具体的任务是：给定真实图像（with labels）和涂鸦图像（without labels），使用Domain Adaptation技术预测手绘图像的label。

Dataset

• Label: 10 classes (numbered from 0 to 9).
• Training : 5000 (32, 32) RGB real images (with label).
• Testing : 100000 (28, 28) gray scale drawing images.

Data Format

Unzip real_or_drawing.zip, the data format is as below:

• real_or_drawing/
  • train_data/
    • 0/
      • 0.bmp, 1.bmp … 499.bmp
    • 1/
      • 500.bmp, 501.bmp … 999.bmp
    • … 9/
  • test_data/
    • 0/
      • 00000.bmp
      • 00001.bmp
      • … 99999.bmp

思路

Code

Report

Reference