matlab精度检验代码联合概率分布适应(JPDA)
该存储库包含用于域自适应的简单但有效的区分联合概率MMD(DJP-MMD)的代码。
我们通过将其嵌入联合概率域适应(JPDA)框架来验证其性能。
下图显示了DJP-MMD和联合MMD之间的区别。
更多细节请看
与传统的MMD方法相比,JPDA具有更简单的形式,并且在测量不同域之间的差异方面更有效。
在六个图像分类数据集上的实验证明了JPDA的有效性。
表1中显示了Multi-PIE数据集的平均精度。在大多数任务中,JPDA优于所有基于联合MMD的方法,与JDA相比,其准确性提高了4.69%
。
运行代码
该代码是MATLAB代码在Windows
10系统中工作的。
代码文件介绍:
demo_classify_office.m-演示文件,有关数据集Office
+
Caltech上的12个跨域图像分类任务的JPDA。
demo_classify_other.m-演示文件,数据集COIL,USPS和MNIST上的4个跨域图像分类任务的联合概率分布自适应(JPDA)。
demo_classify_pie.m-演示文件,有关数据集Multi
2022-03-14 22:17:21
52.69MB
系统开源
1