(相关资料图)

域自适应（Domain Adaptation）是迁移学习的一种，在机器学习中，当源域和目标域数据分布不同，但是两者的任务相同时，可以使用域自适应，将源域数据训练的精度较高的模型运用到数据较少的目标域中。

白话：任务一样时，训练集和实际样本分布不太一样，需要把训练的域匹配到实际的域上。

三种方法：

样本自适应：就是对样本进行变换。将源域中样本重采样，使其分布趋近于目标域分布；从源域中找出那些长的最像目标域的样本，让他们带着高权重加入目标域的数据学习。

特征层面自适应：将源域与目标域数据都投射到一个公共特征子空间，从而能够将源域训练得到的知识直接应用于目标域中。

模型层面自适应：直接对模型进行修改，将两个领域之间的不同当作先验知识直接引入模型，相当于人工进行改进。

source domain是黑白的，target domain是彩色的，我们希望feature extractor提取的两个domain的特征是一致的，也就是特征层在domain classifier上分类，能分在一起。