万字综述之生成对抗网络（GAN）(17)

(Xg,Yg)~pg(X,Y), (Xl,Yl)~p(X,Y), (Xc,Yc)~pc(X,Y) 分别表示生成的数据，有标签的数据，无标签的数据。CE 表示交叉熵损失。
域适应
域适应是一个迁移学习里面的概念。简单说来，我们定义源数据域分布为 Ds(x,y)，目标数据域分布为 DT(x,y)。对于源域数据，我们有许多标签，但是对于目标域的数据没有标签。我们希望能通过源域的有标签数据和目标域的无标签数据学习一个模型，在目标域泛化的很好。迁移学习的“迁移”二字指的是源域数据分布向目标域数据分布的迁移。
GAN 用于迁移学习时，核心思想在于使用生成器把源域数据特征转换成目标域数据特征，而判别器则尽可能区分真实数据和生成数据特征。以下是两个把 GAN 应用于迁移学习的例子 DANN 和 ARDA：

以上图左边的 DANN 为例，Is，It 分别代表源域数据，目标域的数据， ys 表示源域数据的标签。Fs，Ft 表示源域特征，目标域特征。DANN 中，生成器用于提取特征，并使得提取的特征难以被判别器区分是源域数据特征还是目标域数据特征。
在行人重识别领域，有许多基于 CycleGAN 的迁移学习以进行数据增广的应用。行人重识别问题一个难点在于不同摄像头下拍摄的人物环境，角度差别非常大，导致存在较大的 Domain gap。