本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设,并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。
Feb, 2016
该论文提出了一种名为 Deep Transfer Network 的领域适应框架,其中高度灵活的深度神经网络用于实现分布匹配过程,在分类准确性和执行时间等方面取得了显著的改进。
Mar, 2015
本文提出了一种简单的领域自适应方法,可以应用于使用交叉熵损失训练的神经网络,在字幕数据集上展示了该方法相对于其他领域自适应方法的表现提高。
Jul, 2016
本文提出了一种高效实现的深度残差校正网络,该网络使用一个残差块与任务特定的特征层插在源网络中,以有效增强从源到目标的自适应性,明确削弱不相关的源类的影响,并设计了一种加权类别域对齐损失以将源和目标之间的两个域耦合起来。在部分,传统和细粒度跨领域视觉识别方面的全面实验表明,DRCN 优于竞争的深度域自适应方法。
Apr, 2020
本文提出了一种新的深度自适应网络 (DAN) 结构,它将多个领域的分布嵌入到再生核 Hilbert 空间中,并应用最优多核选择方法以匹配均值嵌入。DAN 能够学习具有统计保证的可传递特征,并通过核嵌入的无偏估计来实现线性扩展。实验证据表明,所提出的架构在标准领域自适应基准数据集上获得了最先进的图像分类误差率。
Feb, 2015
本文提出了一种新的领域适应的表示学习方法,使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征,该方法增加了标准层和一个新的反向梯度层,可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。
May, 2015
本论文提出了一种新的深度架构领域适应方法,可通过大量源域标记数据和大量目标域未标记数据的训练而实现。在提出的方法中,深层特征在源域的主要学习任务上是有区分性的,而且对于域之间的变化具有不变性。而通过增加几个标准层和简单的梯度反转层的方法可以实现该适应行为,并且此方法在图像分类实验中表现非常出色。
Sep, 2014
在领域自适应中,为了解决来自不同领域的相关但不同的数据对分类器性能的影响,该研究使用了两个流的架构,其中一个处理源领域的数据,另一个处理目标领域的数据。在有监督和无监督的情况下,该方法均优于现有技术,并在多个物体识别和检测任务中实现了更高的准确性。
Mar, 2016
本文提出用一些适量的参数区分不同的子任务,从而在视觉领域的多个任务中进行迁移学习,此类参数化极易压缩且具有较高的性能。
Mar, 2018
提出了一种名为 Deep Adaptation Networks 的方法,通过在现有神经网络中添加线性组合的新滤波器来实现学习新技能,而不影响已经学习的性能,以及在各种图像分类任务中表现出良好的效果。
May, 2017