该文章研究了无监督领域自适应的问题,提出一种新的方法,该方法同时学习 domain-invariant features 和 discriminative features,并且以信息论度量作为优化目标,在目标域和源域中训练分类器。经过实验验证,该方法在物体识别和情感分析等任务中表现出了明显的优势。
Jun, 2012
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019
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
本文提出一种基于相似性学习和原型表示的分类方法,能够在无监督领域适应中学习特征,并实现跨域分类任务,在多种常见场景下表现出最先进的性能水平。
Nov, 2017
该论文提出了一种名为跨域自适应聚类的新方法,使用敌对训练产生自适应聚类损失,将未标记目标数据的特征分组到聚类中,并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量,并产生了更强大的聚类核心,从而实现了半监督领域自适应的最佳表现。
Apr, 2021
本文提出一种面向跨域情感分类问题的方法,该方法采用半监督学习的想法,联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明,该方法可以更好地利用来自目标域的未标记数据,在各种实验设置中都取得了重大改进。
Sep, 2018
本文提出了一种基于无监督域自适应和深度聚类的方法,利用来自多个源域的数据信息建立一个与具体域无关的聚类模型,并通过特征对齐和自我监督实现有效地适应目标域。本文的方法即使在少量目标样本的情况下也能自动发现相关语义信息,并在多个域自适应基准测试中取得了最先进的结果。
Aug, 2020
本文介绍一个基于层级结构的领域自适应技术,用于适应在源域上学习的分类器以在目标域上运行,这种方法利用源域和目标域特征所展开的子空间,探究了数据的层级组织,并考虑了源域和目标域的多个子空间。我们对不同的基于子空间的领域适应技术在这种情况下进行了评估,并观察到,基于层级结构的不同子空间相比于非层级基线方法产生了一致的提高。
Jan, 2015
本文提出了一种联合学习框架,通过提纯表征空间来改善适应性,并使用不同的空间对身份相关 / 不相关特征进行解缠,并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明,该框架在未受监督的领域自适应方面胜过现有技术。
Jul, 2020
该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐,该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明,该方法在从合成到真实的城市场景理解中具有良好的效果。
Mar, 2020