ICCVMay, 2017

展示、适应和述说：跨领域图像描述器的对抗训练

PDF
TL;DR本研究提出了一种利用对抗训练和未匹配数据进行跨域图像字幕生成的方法，使用两个评论家网络来指导生成器，并在训练期间通过政策梯度更新来提高生成器性能，并在推理时进一步提出了一种评论家规划方法，无需附加监督进行句子选择。实验表明该方法在多个数据集上表现良好。
cross-domain image captioningadversarial trainingunpaired datacriticspolicy gradient updates
发现论文，激发创造
  • 语义分割的无监督对比域自适应

    通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

    Apr, 2022

  • 机器阅读理解的对抗性域自适应

    本研究提出了一种针对无监督域自适应机器阅读理解的方法，其中源域有大量标记数据，而目标域只有未标记数据。该方法使用敌对领域自适应框架（AdaMRC），生成虚拟问题并结合领域分类器进行压缩编码，经过对抗学习实现域不变表示学习，具有普适性、可以与预训练的大规模语言模型相结合，并可扩展到半监督学习。

    Aug, 2019

  • 使用对抗性损失对卷积神经网络进行生物医学图像分割的无监督跨模态域自适应

    本文提出一种基于对抗学习的无监督域适应框架，通过一个域适应模块和一个域批判模块来实现不同模态医学图像分割的跨域问题，无需使用目标域标签信息，仅利用 MRI 图像训练的卷积神经网络适应非配对的 CT 数据来进行心脏结构分割，取得了良好的结果。

    Apr, 2018

  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017

  • 跨领域情感分析的纯对比学习

    本文探索对跨域情感分析任务采用对比学习方法，提出了一种修改后的对比目标，并在同一类的句子表示之间拉近，不同类的之间推远的方法，实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能，同时，可视化结果展示了知识转移的有效性，并通过对抗测试验证了模型的鲁棒性。

    Aug, 2022

  • 具有判别性微调的跨领域图像字幕生成

    本文提出在自我监督的证明性沟通目标情况下对预先训练的神经字幕系统进行微调，使其生成更详细的图像描述，并在 Conceptual Captions 数据集上进行验证。

    Apr, 2023

  • 远程注释和对抗训练相结合的跨领域中文分词

    本文提出了一种跨域中文分词的方法，使用远程注释和对抗训练来解决领域间的分布差异和词汇表外问题，实验结果表明该方法优于之前的领先的跨域中文分词方法。

    Jul, 2020

  • 通过对抗特征和标签适应实现跨域人体解析

    本文针对跨领域人体解析问题，提出了一种新颖而高效的人体解析模型，该模型通过显式学习特征补偿网络和引入结构标签对抗网络来减轻不同域之间的视觉外观和环境条件的差异以及指导目标领域的解析结果遵循共享的结构标签高阶关系。

    Jan, 2018

  • 基于跨模态相似性的课程学习在图像描述中的应用

    该研究提出一种基于跨模态相似性的难度度量方法，用于图像字幕生成模型的训练，并在 COCO 和 Flickr30k 数据集上验证了其有效性，证明其在难样本和未见数据上表现出较高的泛化能力。

    Dec, 2022

  • 通过对带标签数据进行对抗传输进行半监督图像字幕生成

    提出了一种半监督学习方法，使用对抗式学习来为未配对的样本分配伪标签，提升图像字幕模型的泛化性能，并展示了该方法在不同场景下都有较为明显的性能提升，包括关系字幕和网络爬虫数据。

    Jan, 2023