Nov, 2017

无监督深度域自适应的最小熵相关对齐

PDF
TL;DR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。
unsupervised domain adaptationdeep learningentropy minimizationsource-to-target regularizermodality adaptation
发现论文，激发创造
  • 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

  • 无监督域自适应的共同正则化对齐

    本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

    Nov, 2018

  • 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

  • 通过极小化最大熵进行半监督域自适应

    提出了一种基于 Minimax Entropy 的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。

    Apr, 2019

  • 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

  • ADVENT: 基于对抗性熵最小化的语义分割领域自适应

    本文提出了两种基于像素预测熵的损失函数的方法来解决语义分割中的无监督域适应问题，分别采用熵损失和对抗性损失。在两个具有挑战性的 “synthetic-2-real” 场景下，我们证明了该方法在语义分割方面具有最先进的性能，并且该方法也可以用于检测。

    Nov, 2018

  • 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

  • 非对称松弛分布对齐的域自适应

    本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题，并找到了合理的理论假设条件来支撑该方法，证明了该方法在合成和真实数据集上的实际效果。

    Mar, 2019

  • 通过测地线距离最小化实现深度领域适应

    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。

    Jul, 2017