閱讀論文：Open Set Domain Adaptation
（
Closed Set：目標域和源域包含了同一組對象類的圖像（例如：source有5類，target也是這完全相同的5類）
例如：a圖中的源域中有car、chair、dog三類，而目標域中的數據也都在car、chair、dog三類中；
Open Set：目標域與源域的對象類別可能並不都相同，同時，目標域中可能包含了與源域毫無相關的圖像（source有5類，target只共享了其中某些類，還有未知類）
例如：b圖中除了之前的三類還有unknown類型的數據，而在目標域中也存在源域中不存在的類別的數據
直觀理解：
論文中實現Open Set Domain Adaptation的方法：
a圖中的源域中包括三角、矩形、菱形三種類型以及unknown（灰色），目標域中沒有標簽
1.通過源域給目標域分配標簽（異常點沒有標簽）
2.將源域映射到目標域，最小化它們之間的距離，經過變換后的目標域為c
3.通過步驟1 2迭代至收斂，使用從源域訓練的分類器對目標域進行分類
通過源域給目標域分配標簽：
無監督場景：
將目標域的個體數據分類到源域類別的損失定義為：
其中Tt為目標域的特征表示，Sc表示類別中的數據均值
整體的損失函數：
Xct表示樣本是否要被標記為某一類別，Ot表示樣本是否是一個異常點
約束一：樣本必須分配，不是為已知類別就是異常點
約束二：保證每個類別至少要有一個樣本
半監督場景：
半監督的場景中目標域是包含一定帶標簽數據的，所以已經有標簽的數據不需要標簽的分配
總的損失函數變為：
其中的Xc·t·表示已有標簽的數據不改變其標簽，其中的dcc為
將源域映射到目標域:
映射損失函數：
對目標域分類：
使用在源域訓練完成的分類器對目標域的數據進行訓練分類