ECCVMar, 2018

深度联合分布最优输运：用于无监督域自适应

PDF
TL;DR本文介绍了一种名为 DeepJDOT 的解决计算机视觉中领域转移问题的方法，基于最优传输的联合深层表示 / 标签的差异度量，不仅学习新的数据表示，而且同时保留了分类器使用的判别信息。我们将 DeepJDOT 应用于一系列视觉识别任务中，表现出良好的效果并与最先进的深度领域适应方法进行比较。
computer visiondomain shiftsdeepjdotoptimal transportdeep domain adaptation
发现论文，激发创造
  • 基于加权联合分布最优输运的多源域自适应

    本文介绍了一种新的方法 —— 加权联合分布最优输运，它利用源分布的多样性来解决多个标记源数据集到未标记目标数据集的领域适应问题，同时在源和目标分布之间寻找最优的输运对齐和重量重新平衡。 数值实验表明，该方法在模拟和现实数据集上实现了最先进的性能。

    Jun, 2020

  • 领域自适应的最优传输

    该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

    Jul, 2015

  • 领域自适应的联合分布最优输运

    本文针对无监督域自适应问题，假设两个域的联合特征 / 标签空间分布之间存在非线性变换，提出了使用最优输运解决此问题的方法，并在实际分类和回归问题中证明了方法的高效性及超越现有技术的性能。

    May, 2017

  • 目标偏移下的多源域自适应最优传输

    本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题，实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。

    Mar, 2018

  • 基于 SPD 流形的深度最优传输领域自适应

    该研究提出了一种基于对称正定流形上的最优传输框架的迁移学习方法，并应用于 EEG-BCI 领域的跨会话运动想象分类问题，有效提升了分类的准确率。

    Jan, 2022

  • 使用最优输运的开放集域自适应

    提出了一种 2 步最优传输方法，对源分布进行到目标分布的映射，并针对目标分布中新增的类别开发了双重方法以解决这个问题，最终得到表现优于现有技术的结果，并将该方法应用在源和目标分布同时具有标签和特征变换的情况下以证明其鲁棒性。

    Oct, 2020

  • 最优传输理论分析的领域自适应

    本文在探讨域自适应的过程中，提出了一种使用 Wasserstein 度量作为两个数据集分布差异度量的方法，并且通过对多个不同的学习场景的实验证明了这种方法的通用性，同时进一步探讨了这种方法可能比其他现有框架更紧密的原因。

    Oct, 2016

  • 隐式贝叶斯自适应：一种协同传输方法

    通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

    Apr, 2023

  • 一种基于高阶矩匹配的具有类别感知优化输运方法用于无监督领域适应

    无监督领域自适应方法中引入了一种新的方法 - 称为类感知最优输运（OT），用于测量来自标记源领域的分布与源和目标数据分布的混合之间的 OT 距离。我们的类感知 OT 利用了一个成本函数，该函数确定了给定数据示例与源类条件分布之间的匹配程度，通过优化这个成本函数，我们可以找到目标示例与源类条件分布之间的最佳匹配，从而有效地解决了两个领域之间发生的数据和标签偏移问题。为了高效处理类感知 OT 问题，我们提出了一种使用深度神经网络来制定输运概率和成本函数的摊薄解决方案。此外，我们还提出了最小化类感知高阶矩匹配（HMM）来对齐源领域和目标领域上相应的类区域的经济计算方法。在基准数据集上进行的大量实验证明了我们提出的方法明显优于现有的最先进基准线。

    Jan, 2024

  • 部分耦合的最优传输在口语认别中的应用

    本论文提出了基于部分最优传输的联合分布对齐模型（POT），以降低不同领域之间的差异，提高跨域口语识别（SLID）系统的性能，并在 SLID 任务上进行了实验证明了 POT 模型显著提高了模型性能。

    Mar, 2022