无监督领域自适应的深度重建分类网络
本文提出了一种高效实现的深度残差校正网络,该网络使用一个残差块与任务特定的特征层插在源网络中,以有效增强从源到目标的自适应性,明确削弱不相关的源类的影响,并设计了一种加权类别域对齐损失以将源和目标之间的两个域耦合起来。在部分,传统和细粒度跨领域视觉识别方面的全面实验表明,DRCN 优于竞争的深度域自适应方法。
Apr, 2020
该研究提出了 DRANet, 一种网络结构,用于无监督跨域适应,通过在潜在空间中区分图像表示并转移视觉属性。实验显示,该方法成功地分离内容 - 风格因素并合成视觉上令人愉悦的领域转移图像,并在标准数字分类任务和语义分割任务上展示了先进的性能。
Mar, 2021
我们提出了一种名为 DSDRNet 的双流分离与重建网络,它是一种通过双流融合将 inter-instance 和 intra-instance 的特征相结合的解缠结重建方法。该方法通过结合 inter-instance 语义距离和 intra-instance 相似性引入了新颖的监督信号。将自适应实例归一化(AdaIN)引入到两阶段循环重建过程中,增强了自我解缠结重建信号以促进模型收敛。对四个基准数据集进行的大量实验证明,DSDRNet 在域泛化能力方面优于其他热门方法。
Apr, 2024
本文提出了一种基于深度神经网络的非监督领域自适应技术,该技术通过训练既能执行音素分类,又能执行领域分类的 DNN 模型,并明确建模两个域之间的不同之处,可以在 CHiME-3 数据集上实现接近 11.08%的相对词错误率(WER)降低。
Nov, 2017
对于医学领域中的复杂数据,提出了一种利用计算机视觉数据进行无监督实例分割的方法,该方法使用了 Domain Adaptive Region-based Convolutional Neural Network (DARCNN) 来缩小不同视觉数据集之间的域差异。
Apr, 2021
本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型,实现了特征的 disentanglement 和适应,并在实验中证实了其有效性和优越性。
May, 2017
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
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
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