Nov, 2017

CyCADA: 循环一致性对抗域自适应

PDF
TL;DR本文提出一种新颖的 Cycle-Consistent Adversarial Domain Adaptation 模型，可以在视觉识别和预测的各种情景中适用，通过像素级和特征级的适应，强制实施循环一致性，并利用任务损失，从而在多个适应任务中展现出新的最先进结果，包括数字分类和道路场景的语义分割，展示从合成到真实世界领域的转移。
domain adaptationadversarial adaptationgenerative adversarial networkscycle-consistencyvisual recognition
发现论文，激发创造
  • 循环一致条件对抗迁移网络

    本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

    Sep, 2019

  • 增强循环对抗学习用于低资源域自适应

    本文介绍了一种增强循环对抗学习模型，用于域适应并解决在其中数据丰富的域中对任务的学习问题，通过迁移学习及结合声音识别任务的结果，在低资源环境下将 SVHN 和 MNIST 彼此转换的分类准确率分别提升了 14% 和 4%。

    Jul, 2018

  • CycDA：基于图片到视频的无监督循环域自适应

    本文提出了一种基于循环域自适应（CycDA）算法的无监督图像到视频域自适应方法，通过利用图像和视频之间的联合空间信息，以及采用独立的时空模型来缩小图像和视频数据的间隔以应对空间域转换和模态差异的挑战，并在基准数据集上取得了最新的技术进展。

    Mar, 2022

  • CrDoCo：带有跨域一致性的像素级域转化

    本文提出了一种新颖的基于像素的对抗域自适应算法，通过利用图像到图像翻译方法进行数据增强，并引入跨域一致性损失来强制使得我们的自适应模型产生一致的预测，从而在广泛的无监督域自适应任务中获得与最先进方法相当的表现。

    Jan, 2020

  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 条件对抗领域自适应

    该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear 调节和 Entropy 调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。

    May, 2017

  • 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

  • 像素级循环关联：一种领域自适应语义分割的新视角

    本文提出了基于像素级循环关联的域自适应语义分割方法，该方法仅需要源域注释即可在目标域产生令人满意的像素级预测，并在两个标准基准测试中获得了优秀的性能表现，可望在未来的域适应语义分割研究中发挥一定的作用。

    Oct, 2020

  • 将像素和特征级域自适应联合用于野外识别

    通过深度域自适应进行知识迁移来提高性能，本研究提出了利用半监督学习洞察力设计的分类感知域对抗神经网络以在源域中将目标例子转化为更可分类的区域，并利用建立在通用外观流的三维几何与图像合成的基础上的属性条件换档深度生成对抗网络将源图像转化为多目标图像的意见。

    Feb, 2018

  • 上下文关系一致的领域自适应语义分割

    本文针对语义分割中标注数据昂贵的问题，提出一种新的局部一致的领域自适应技术（CrCDA），利用反向传播的对抗学习方法，在局部特征表示空间中显式地学习并执行基于原型的本地上下文关系。该方法在处理 GTA5 到 Cityscapes 和 SYNTHIA 到 Cityscapes 等两个挑战性的领域自适应分割任务中优于目前最先进的技术，取得了卓越的分割表现。

    Jul, 2020