阅读论文：Open Set Domain Adaptation
（
Closed Set：目标域和源域包含了同一组对象类的图像（例如：source有5类，target也是这完全相同的5类）
例如：a图中的源域中有car、chair、dog三类，而目标域中的数据也都在car、chair、dog三类中；
Open Set：目标域与源域的对象类别可能并不都相同，同时，目标域中可能包含了与源域毫无相关的图像（source有5类，target只共享了其中某些类，还有未知类）
例如：b图中除了之前的三类还有unknown类型的数据，而在目标域中也存在源域中不存在的类别的数据
直观理解：
论文中实现Open Set Domain Adaptation的方法：
a图中的源域中包括三角、矩形、菱形三种类型以及unknown（灰色），目标域中没有标签
1.通过源域给目标域分配标签（异常点没有标签）
2.将源域映射到目标域，最小化它们之间的距离，经过变换后的目标域为c
3.通过步骤1 2迭代至收敛，使用从源域训练的分类器对目标域进行分类
通过源域给目标域分配标签：
无监督场景：
将目标域的个体数据分类到源域类别的损失定义为：
其中Tt为目标域的特征表示，Sc表示类别中的数据均值
整体的损失函数：
Xct表示样本是否要被标记为某一类别，Ot表示样本是否是一个异常点
约束一：样本必须分配，不是为已知类别就是异常点
约束二：保证每个类别至少要有一个样本
半监督场景：
半监督的场景中目标域是包含一定带标签数据的，所以已经有标签的数据不需要标签的分配
总的损失函数变为：
其中的Xc·t·表示已有标签的数据不改变其标签，其中的dcc为
将源域映射到目标域:
映射损失函数：
对目标域分类：
使用在源域训练完成的分类器对目标域的数据进行训练分类