判别式标签一致性域自适应
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
该研究提出了一种名为 DisClusterDA 的新方法,将无监督领域适应问题重新表述为目标数据的判别式聚类,使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息,同时结合并行的受监督学习目标来训练网络,经过对 5 个基准数据集进行的实验表明,DisClusterDA 在这些数据集上的表现优于现有的方法。
Feb, 2023
该论文提出了一种名称为 CDDA 的方法,通过最大平均差异度量源和目标域之间的差异,生成具有约束力的潜在特征表示,并提出标签平滑性和几何结构一致性的约束条件,进一步提高其适应领域的区分能力。
Apr, 2017
本文提出了一种深度域自适应框架,采用鉴别偏差度量,并结合任务驱动域对齐鉴别器和域正则化器,以改进无监督域适应的性能,并在多项标准基准测试中证明了其优于现有技术的一致性。
Sep, 2019
该论文提出了一种在无监督领域适应的情况下,采用自我监督学习的对比方法以减少培训和测试集之间的领域差异,实现了简单而有效的领域对齐框架 CDCL,并使用伪标签进行评估, 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。
Jun, 2021
我们提出了一种无监督领域适应方法,该方法通过使用类正则化的超图匹配,考虑目标域中仅有的未标记数据,在标准对象识别数据集上的实验验证了我们的框架有效性。
May, 2018
该论文探讨了基于梯度的角度重新思考域自适应算法优化方案的问题,并提出了 Pareto Domain Adaptation 方法来协作优化所有训练目标,提高目标分类精度
Dec, 2021
本文提出了一种基于对抗学习的语义集中方法(SCDA)用于解决领域自适应中的样本偏差和数据集标注问题,通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征,SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。
Aug, 2021
本文提出了一种基于伪领域生成的领域增强领域自适应方法(DADA),通过生成与目标域差异更小的伪领域,减小跨域偏差,进而增强知识转移过程并将标签方法应用于 DADA 模型中,结果表明该模型优秀。
Feb, 2022