Feb, 2015

深度适应网络学习可迁移特征

PDF
TL;DR本文提出了一种新的深度自适应网络 (DAN) 结构，它将多个领域的分布嵌入到再生核 Hilbert 空间中，并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征，并通过核嵌入的无偏估计来实现线性扩展。实验证据表明，所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。
deep adaptation networkdomain adaptationdeep neural networktransferabilitykernel embedding
发现论文，激发创造
  • 深度转移网络：无监督域自适应

    该论文提出了一种名为 Deep Transfer Network 的领域适应框架，其中高度灵活的深度神经网络用于实现分布匹配过程，在分类准确性和执行时间等方面取得了显著的改进。

    Mar, 2015

  • 深度适应实现增量学习

    提出了一种名为 Deep Adaptation Networks 的方法，通过在现有神经网络中添加线性组合的新滤波器来实现学习新技能，而不影响已经学习的性能，以及在各种图像分类任务中表现出良好的效果。

    May, 2017

  • 动态对抗适应网络的迁移学习

    该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

    Sep, 2019

  • 跨任务和领域传递良好特征的学习

    本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

    Jan, 2023

  • DANE: 域自适应网络嵌入

    本文提出了一种全新的领域自适应网络嵌入框架 (Domain Adaptive Network Embedding framework)，利用图卷积网络来学习可转移的嵌入。在该框架中，多网络的节点通过一组共同的可学习参数编码为向量，使向量共享一个对齐嵌入空间。并通过对抗学习正则化来进一步对齐不同网络上的嵌入分布。此外，DANE 在学习可转移网络嵌入方面的优势可以在理论上得到保证。广泛的实验表明，所提出的框架在跨网络领域自适应任务中优于其他最先进的网络嵌入基线。

    Jun, 2019

  • 联合适应网络的深度迁移学习

    本研究介绍了一种叫做 JAN 的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

    May, 2016

  • 深度域自适应的残差参数转移

    本文介绍了一种神经网络结构 —— 附带残差网络，其可灵活地维护域间的相似性，并在必要时模拟区别。实验证明，该方法比现有最先进的方法具有更高的准确性且不会过于复杂。

    Nov, 2017

  • 带残差转移网络的无监督域自适应

    本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设，并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。

    Feb, 2016

  • 神经网络的领域对抗性训练

    本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

    May, 2015

  • 因果生成领域自适应网络

    本文提出了一种灵活的生成领域自适应网络 (G-DAN) 和因果生成领域自适应网络 (CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。

    Apr, 2018