Sep, 2014

领域自适应神经网络用于物体识别

PDF
TL;DR该研究提出了一个结合最大平均差异（Maximum Mean Discrepancy）的正则化项和去噪自编码器预训练的神经网络模型，以解决目标识别中的领域自适应问题，实验表明，该模型在源域和目标域之间建立的潜在空间显著降低了分布不匹配问题，并且在原始像素和 SURF 特征数据集上均比同类别基准模型表现更优秀。
neural networkdomain adaptationobject recognitionmaximum mean discrepancydenoising auto-encoder
发现论文，激发创造
  • 脑疾病诊断中的跨模态领域自适应：基于最大均值差异的卷积神经网络

    大脑疾病的精确诊断依赖于先进的医学成像技术，然而缺乏标注数据对于机器学习模型的部署造成了挑战。这项研究采用了深度学习和领域适应技术，结合了最大均值差异方法和卷积神经网络，改善了医学图像模态间的泛化能力，并通过提高诊断准确性和效率，为临床医生提供了更可靠的诊断工具。

    May, 2024

  • 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

  • 重新思考最大平均差异用于域自适应

    本研究通过理论证明了 MMD 对源域和目标域内类距离进行最大化，并连带减少它们的方差以降低特征可分性；同时分析了内类距离和间类距离的关系，提出了一种新的基于判别性 MMD 的方法，实验表明其在几个基准数据集上的效果优于现有方法。

    Jul, 2020

  • 注意了课程权重偏差：加权最大均值差异用于无监督域自适应

    本研究提出了一种加权 MMD 方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了 MMD 忽视类别间重量偏差的问题。实验表明，加权 MMD 方法优于传统的 MMD 方法在域适应中的表现。

    May, 2017

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 基于不相似度空间的无监督领域自适应在人员再识别中的应用

    本文提出了一种基于最大均值偏差（D-MMD）损失函数的度量学习方法，用于解决人员再识别中的跨域偏移问题和对抗攻击，实验结果表明，该方法在不需要数据增强和 / 或复杂网络的情况下，能够明显优于基准线和现有的无监督域自适应方法。

    Jul, 2020

  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 领域对抗神经网络

    本研究提出了一种针对领域自适应问题的新型表示学习算法，其中训练和测试数据来自类似但不同的分布，实验结果表明，我们的神经网络算法对领域适应具有更好的性能表现，而不管是标准神经网络还是支持向量机，即使是使用 Chen 等人提出的最先进的边缘化堆栈去噪自编码器的输入特征提取。

    Dec, 2014

  • 通过矩阵对齐实现神经网络的强大无监督领域适配

    本文提出一种新的神经网络无监督域适应的方法，该方法基于度量学习的正则化，通过最大化不同域之间的激活分布相似性来实现域不变的潜在特征表示，从而获得更高的分类准确性。

    Nov, 2017

  • 具有最大平均差异正则化的贝叶斯神经网络

    本文提出了一种基于最大均值差异的理解下界（ELBO）的变体，该下界替代了 KL 散度，取得了比现有技术更高的多个基准测试结果，包括多个图像分类任务。 此外，本文还提出了一种新的估算给定预测的不确定性的公式，并表明该公式对抗攻击和输入噪声具有更强的健壮性。

    Mar, 2020