CycleEmotionGAN：保持情感语义一致性的CycleGAN，用于适应图像情感

摘要

深度神经网络擅长从大规模标记训练数据中学习，但不能很好地将所学知识推广到新的领域或数据集。域自适应研究如何将在一个标记的源域上训练的模型转移到另一个稀疏标记或未标记的目标域。本文研究了图像情感分类中的无监督域自适应（UDA）问题。具体来说，我们开发了一种新的循环一致性对抗模型，称为CycleEmotionGAN，它通过增强情感语义一致性，同时对图像进行循环一致性调整。通过交替优化CycleGAN损失、情感语义一致性损失和目标分类损失，CycleEmotionGAN可以使源域图像具有与目标域相似的分布，而无需使用对齐图像对。同时，保留源图像的注释信息。在ArtPhoto和FI数据集上进行了大量实验，结果表明CycleEmotionGAN显著优于最先进的UDA方法。