少样本对抗性域自适应

NIPSNov, 2017

Few-Shot Adversarial Domain Adaptation

Saeid Motiian, Quinn Jones, Seyed Mehdi Iranmanesh, Gianfranco Doretto

TL;DR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。

Abstract

This work provides a framework for addressing the problem of supervised domain adaptation with deep models. The main idea is to exploit adversarial learning to learn an embedded subspace that simultaneously maximizes the confusion between two domains while semantically aligning their e

supervised domain adaptation adversarial learning deep models few-shot learning semantic probability distributions

发现论文，激发创造

统一深度监督域自适应和泛化

本文提出了一个视觉监督领域适应和泛化深度模型的统一框架，利用孪生网络结构来学习判别性嵌入子空间，通过点对代理的分布距离和相似性来解决少量目标数据样本标注的情况下，语义概率分布的对齐与分离问题。研究表明该方法在快速自适应方面的优势表现出来，并且只需要极少量的标注目标训练样本，甚至每个类别仅需一个标注样本就可以发挥有效性。此外，该方法还可扩展到领域泛化，并且实验证明该方法在两个应用领域都有很好的效果。

Sep, 2017

Few-Max: 无监督对比表示学习的少样本领域自适应

本文提出了一种面向 Few-Shot 自监督对比学习的域自适应方法 Few-Max，旨在解决在目标分布下自适应问题。使用各种来源和目标数据集对 Few-Max 进行了评估，证明其在表示质量方面始终优于其他方法。

Jun, 2022

元学习对抗域适应网络用于小样本文本分类

本文提出了一种新的元学习框架，集成对抗域适应网络，旨在提高模型的适应能力并为新类别生成高质量的文本嵌入。在四个基准数据集上进行了大量实验，结果表明我们的方法在所有数据集上都明显优于现有技术，特别是在 20 个新闻组数据集上，1-shot 和 5-shot 分类的准确性从 52.1％提高到 59.6％和从 68.3％提高到 77.8％。

Jul, 2021

通过对抗任务增强的跨领域少样本分类

针对 few-shot 分类在训练和测试分布之间的域变化导致在测试上性能下降的问题，提出了通过任务增强来改善归纳偏置的鲁棒性，具体来说，采用对抗任务增强方法来生成具有挑战性的任务，可以提供简单的即插即用模块来提高元学习模型在跨域通用性中的性能。

Apr, 2021

对抗式判别领域自适应

本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

Feb, 2017

单源深度无监督视觉域自适应综述

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

自我监督下的无监督领域自适应

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

统一无监督域自适应与零样本视觉识别

该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影 (SLPP) 技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

Mar, 2019

学习适应语义分割的结构化输出空间

本文提出了一种基于对抗学习的语义分割领域适应方法，该方法采用输出空间的对抗学习，并构建了多层对抗网络来有效地执行不同特征层面的输出空间域适应。在各种域适应设置下进行了大量实验和消融研究，并展示出该方法在准确性和视觉质量方面表现优越。

Feb, 2018

目标检测渐进领域自适应

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019