Jul, 2017

通过测地线距离最小化实现深度领域适应

PDF
TL;DR本文提出了一种新的方法 ——Deep LogCORAL，用于无监督的视觉域自适应。我们使用 Riemannian 距离（由 Log-Euclidean 距离逼近）替换 Deep CORAL 中的欧几里得距离，并考虑第一和第二阶段信息。在基准 Office 数据集上的实验结果表明，相比于 Deep CORAL 方法，我们新提出的 Deep LogCORAL 方法具有更好的性能，而在优化两种信息的情况下表现得更佳。
deep logcoralunsupervised visual domain adaptationriemannian distancecovariance matricesbenchmark office dataset
发现论文，激发创造
  • 深度 CORAL: 深度领域自适应的相关性对齐

    本文研究深度神经网络领域适应问题，提出了一种无监督领域适应方法 Deep CORAL，该方法可以学习到使深度神经网络层激活之间的相关性对齐的非线性变换，并在标准基准数据集上实现了最先进性能。

    Jul, 2016

  • 无监督深度域自适应的最小熵相关对齐

    采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。

    Nov, 2017

  • 无监督域自适应的相关性对齐

    本文提出了一种简单且有效的无监督领域自适应方法 ——CORrelation ALignment (CORAL)，通过对齐源域和目标域的二阶统计信息来最小化领域偏移，而不需要目标标签。相比于子空间流形方法，CORAL 原始特征分布不需要低维子空间基项的对齐，且比其他分布匹配方法更为简单。CORAL 还扩展到了非线性转换对齐深度神经网络中的层激活的相关性，通过在标准基准数据集上取得了最新的性能，最终获得了 Deep CORAL 方法。

    Dec, 2016

  • 利用黎曼度量进行领域适应的相关性对齐

    本文研究如何进行领域自适应，特别是无监督领域自适应。通过使用神经网络并对其隐藏层的特征进行约束，得到了一个利用该流形上的理论上合理测地线距离的损失函数，从而比以前的方法表现更好。

    May, 2017

  • 令人沮丧的简单领域自适应的回归

    提出一种名为 CORal 的简单且高效的无监督域自适应方法，通过对齐源域和目标域的二阶统计量来最小化域漂移，可在标准基准数据集上表现出色。

    Nov, 2015

  • 关于深度领域自适应的最小差别估计

    本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法， 通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

    Jan, 2019

  • 自相似一致性与特征辨别探索 —— 无监督域自适应

    该研究主要关注于在无监督领域适应中如何在全局分布对齐的同时同时考虑不同域的类信息，为了更 comprehensively 的进行对齐，提出了基于 Self-similarity Consistency 的新的域差异度量方法，同时加入了特征规范的限制以使得在适应时不要求严格对齐，提高了适应性能。

    Apr, 2019

  • 领域自适应：学习界限和算法

    本文介绍了一种针对域自适应问题的新型分布距离度量 —— 偏差距离，并给出了不同损失函数的估计方法以及普遍推广界限。同时，本文也探讨了偏差距离减少和多种损失函数的最小化算法，并验证了其在不同应用场景的有效性。

    Feb, 2009

  • 基于语义数据增强的距离度量学习用于领域泛化

    该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

    Aug, 2022

  • 基于流形度量学习的领域自适应统一框架

    通过利用统计流形的曲率黎曼几何，我们提出了一种新的域自适应框架，该框架可以整合标记源域和未标记目标域之间的几何和统计差异，从而实现源到目标的转移。

    Apr, 2018