CVPRMay, 2017

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 加权联合最大均值偏移使能的多源多目标无监督域适应故障诊断

    本研究提出了一种多源多目标无监督领域适应方法，通过改进的加权距离损失函数，在故障诊断领域中实现了源域与目标域之间的域对齐，并学习到多个源域与目标域之间的域不变和有区分性的特征，从而实现了跨域故障诊断。综合对三个数据集进行了综合比较实验，实验结果证明了该方法的优越性。

    Oct, 2023

  • 领域自适应神经网络用于物体识别

    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。

    Sep, 2014

  • 域自适应的最大密度差异

    本文提出了一种新的域自适应方法 Adversarial Tight Match（ATM），它结合了对抗训练和度量学习的优点，使用 Maximum Density Divergence（MDD）来量化分布差异，使其能够在经典和大型基准测试上实现新的最先进性能。

    Apr, 2020

  • 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

  • 无监督领域自适应的动态加权学习

    本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

    Mar, 2021

  • 基于权重感知的多源无监督领域自适应方法用于人体动作意图识别

    准确识别人体动作意图（HMI）对于外骨骼机器人来提高穿戴舒适度和实现自然人机交互是有益的。本文基于多源无监督领域自适应理论和算法，考虑源领域主体之间的差异，提出了一种新的多源 UDA 算法 WMDD，通过多源 UDA 理论和边界差异差异（MDD）来测量源主体之间的区别，并将源领域权重自适应地调整到度量源主体与目标主体之间的差异，实现 HMI 的识别。

    Apr, 2024

  • 基于最大均值差异（MMD）统计量的集中不等式及其在生成模型中的应用

    我们提出了一种均匀集中不等式，用于一类基于最大均值差异（MMD）的估计器的理论分析，特别是在生成模型中的应用。我们将该结果应用于最小 MMD 估计器和 MMD GAN 的泛化误差界的推导

    May, 2024

  • 基于梯度的类别加权在密集预测视觉任务中的无监督领域自适应

    该论文提出了一种通过梯度的类权重估计来动态调整无监督领域自适应学习损失函数的类别平衡策略，名为基于梯度的类权重学习（GBW），在密集预测视觉任务中取得有效结果，尤其对于语义和全景分割任务能够提高低表征类的召回率。

    Jul, 2024

  • 基于权重的域自适应掩码

    在计算机视觉中，本文提出 Weight-based Mask Network (WEMNet) 方法，采用 Domain Ignore Module (DIM) 和 Semantic Enhancement Module (SEM) 来解决传统无监督域适应 (UDA) 方法存在的问题，通过权重进行特征提取和分类，实现对前景特征的重点关注，该方法在经典 UDA 数据集上实现了更高的准确性。

    Apr, 2023