文章来自CVPR 2020，这是对师兄汇报的总结。
Problem：
1、large inter-domain variations（巨大的域内差异）
2、small inter-class variations（小的类间差异）：可以理解为狗类和猫类的差异小。
3、large intra-class variations（巨大的类内差异）：可以理解为狗类中金毛和斗牛犬的差异大，接近甚至超过狗类和猫类的差异。
为此，本文提出Progressive Adversarial Network(PAN)：对抗学习+课程学习（由易到难）
Related work：
PAN对样本的要求比较低，只需hierarchical（分层的）源域样本标签。
源域：
x表示样本，yf表示样本标签，yck表示样本在细粒度层为k的时候的标签，K表示一共有K层细粒度。
目标域：
源域样本的训练：
1、x->G->label classifier Ck->预测值 与 coarse label yck 的CE loss。
在每个细粒度为k的层面，都有一个损失，应该一共有K个。
训练的参数是：G、Ck
2、x->F-label classifier Y->预测值 与 progressive labels 的 hybrid loss。
progressive labels是由真实值yf和yck组成，且有个动态的epsilon关系。
epsilon是课程学习启发，根据实验确定，epsilon图像如幂函数图像，效果最好。
yck平均时，因为不同维度，要对向量扩充。
训练的参数是：F、Y
？？？训练的参数应该有G、Ck吧
3、x->F->Y 和 x->F 啥啥啥之后训练discriminator D。
？？？训练的参数只有D吗
目标域的样本：
1、经discriminator D 训练参数。
2、x->F->Y 得到标签完成分类。
下面是总的损失和训练函数。
