该研究论文对深度学习与非监督领域自适应进行了综述并对其中一些方法进行了比较,同时探讨了应用领域及未来研究方向。
Dec, 2018
本文提出了一种基于伪领域生成的领域增强领域自适应方法(DADA),通过生成与目标域差异更小的伪领域,减小跨域偏差,进而增强知识转移过程并将标签方法应用于 DADA 模型中,结果表明该模型优秀。
Feb, 2022
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
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
我们提出了一种算法框架 GOAT,可在数据相关的方式下生成中间领域,以改进标准的逐渐领域自适应(GDA)的性能,显著扩大 GDA 的实际应用场景。
Oct, 2023
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
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022
提出一种新颖的领域自适应扩散(DAD)模块和互学习策略(MLS),通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习,成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力,从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。
Aug, 2023
本文提出了一种基于启发式搜索的领域不变和领域特定信息建模方法 —— 启发式领域自适应 (HDA),并通过导出启发式表示约束,提出了一种启发式领域自适应网络 (HDAN)。实验证明,该方法在无监督 DA、多源 DA 和半监督 DA 等任务上均超过了现有最先进方法。
Nov, 2020
本研究提出一种在线无监督域自适应算法,通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离,促进两个领域之间的共享领域无关潜在特征空间,从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求,我们通过一个合适的替代分布(如高斯混合模型)来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法,并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。
Jan, 2024