Jan, 2013

领域不变图像表示的高效学习

HTML
PDF
TL;DR本文介绍了一种能够有效地实现为线性分类器的学习表示算法，该算法能够明确地补偿域不匹配，并在训练分类器的过程中形成从目标（测试）域到源（训练）域的线性转换。通过多类别适应的表示学习，能够在异构特征空间之间进行映射，并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明，与之前的方法相比，提高了准确性并具有计算上的优势。
发现论文，激发创造
  • 通过格里斯曼流形上的核回归进行零样本领域适应

    本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。

    Jul, 2015

  • 域分割网络

    通过将图像表示分为两个子空间：一个是每个领域的私有特征，一个是跨领域共享的特征，我们开发的一种新型架构不仅可以让模型在源领域中执行任务，还可以用于重构来自两个领域的图像。该架构不仅在一系列无监督领域适应场景中优于现有技术水平，还能输出私有和共享表示的可视化结果，从而能够解释领域适应过程。

    Aug, 2016

  • 为领域自适应学习不变的 Hilbert 空间

    本文提出了一种学习方案，用于构建希尔伯特空间，以解决无监督和半监督领域自适应问题，并通过学习每个领域到潜在空间的投影来实现，同时最小化领域方差的概念，同时最大化区分力的测量。我们利用黎曼优化技术在不同领域中进行潜在空间中的样本之间的统计属性匹配。我们进一步认为共享相同标签的样本形成更紧凑的聚类，同时拉开来自不同类别的样本。我们针对手工制作和深度网络功能使用我们的提案进行全面评估和对比，并在视觉领域自适应任务中展示了我们的实验，即使是用简单的最近邻分类器，这种方法也可以胜过几种最先进的方法。

    Nov, 2016

  • 视觉应用的域自适应：一份综合调查

    本文介绍领域自适应和迁移学习的概述，涵盖不同类型的方案和历史浅层方法、深度卷积架构、超出图像分类的领域适应方法，以及将领域适应与其他机器学习解决方案相关联的讨论。

    Feb, 2017

  • 学习因子化表示的开放式域自适应

    我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架，以自动检测目标数据中出现的新类别并将其丢弃，从而在开放域适应中显著优于现有技术。

    May, 2018

  • 学习不变表示以进行领域自适应

    本文针对无监督域适应学习中常见的假设提出了简单反例，证明了这些假设并不足以保证域适应的成功；提出了一种基于信息理论的弱化条件，并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡；最后，通过实验验证了理论结果。

    Jan, 2019

  • 域不变表示中的支持和可逆性

    研究表明，学习领域不变表示已成为非监督领域适应的一种流行方法，但其局限性主要在于非反演变换中丢失的信息以及领域不变性是一个过于严格的要求，本研究提出了一种权衡代价的一般化界限，并建议使用测量源域覆盖目标域范围的范围来提高性能。

    Mar, 2019

  • 统一无监督域自适应与零样本视觉识别

    该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影(SLPP)技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

    Mar, 2019

  • 多样化匹配：一种面向领域适应的目标检测表示学习范式

    该研究介绍了一种针对目标检测的新型无监督域适应方法，通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上mAP平均精度方面的表现优于现有技术达到了3%~11%的大幅度提升。

    May, 2019

  • 强健不变表示中的领域通用性

    本文研究对象识别中不变表示的泛化性，经过广泛实验，我们证明了不变模型学习到的非结构化潜在表示对分配偏移具有鲁棒性，因此使不变性成为有限资源环境中训练的理想属性。

    Apr, 2023