教師なしの転送
適応するための生成：整列ドメインはジェネレーティブ敵対ネットワークを用いました
1.Main
非標識対象データヘルプ転送を使用して、（対象画像・クラスが見られます）
2.structure
3.損失のFunc
- ソースデータ：
D：
G：
C＆F：
- ターゲットデータ
4.DataSet
- 桁分類（MNIST、SVHNとUSPS
のデータセット） - オフィスのデータセットを使用して物体認識
- ドメインの合成から実際のデータへの適応、CADの合成データセット（ソース）とPASCALのサブセット
VOCデータセット（ターゲット） - VISDAデータセット：Trasfer competation
5.metric
分類accurancy
ゼロショット学習のための解きほぐさ分類と復興
セマンティクス・保存使用してゼロショット視覚認識
敵対埋め込みネットワークを
1.Main
しばらくセマンティック損失を防ぎ、対象画像＆見えないクラス
2.構造
3.損失のFunc
- クラス損失
- 復興損失
3.Adversarial損失
4.Dataset
CUB、AWA、SUNとAPY、SP-AEN
5.Metric
調和平均（H）に一般ZSL
見られる、目に見えない精度曲線（SUC）
特徴空間上の条件付きGAN
教師なしドメイン適応のための敵対的機能の増強
1.Main
増強のための新機能VECをGENER
2.Structure
3.LossのFunc
- S1列車基準特徴エンコーダE SソースデータでClassfier C
- ソースドメイン内GENER新機能VECのためのS2条件付きガン、GETエンコーダS
- SとT＆S広告におけるS3列車エンコーダ
4.Datasets
- mnist、USPS：黒の背景に白の数字を
- svhn：ストリートビューハウスナンバーの実像
- シン桁：svhnのシン
- nyud：オブジェクトRGB-> D
5.Metric
- T-SNE
- AP：機能の増強
- 精度：S、Tに訓練されたCと比較し、他の方法
