深度联合分布最优输运：用于无监督域自适应

Mar, 2018

深度联合分布最优输运：用于无监督域自适应

DeepJDOT: Deep Joint distribution optimal transport for unsupervised domain adaptation

Bharath Bhushan Damodaran, Benjamin Kellenberger, Rémi Flamary, Devis Tuia, Nicolas Courty

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。

Abstract

In computer vision, one is often confronted with problems of domain shifts, which occur when one applies a classifier trained on a source dataset to target data sharing similar characteristics (e.g. same classes)

发现论文，激发创造

深度转移网络：无监督域自适应

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

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

带残差转移网络的无监督域自适应

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

深度域自适应：超越权重共享

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

联合适应网络的深度迁移学习

本研究介绍了一种叫做JAN的联合适应网络，它通过最大均值偏差准则（JMMD）对多个特定领域层次的联合分布进行对齐，实现从源领域到目标领域的迁移学习，实验表明我们的模型在标准数据集上提供了最先进的结果。

May, 2016

视觉应用的域自适应：一份综合调查

本文介绍领域自适应和迁移学习的概述，涵盖不同类型的方案和历史浅层方法、深度卷积架构、超出图像分类的领域适应方法，以及将领域适应与其他机器学习解决方案相关联的讨论。

Feb, 2017

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

深度视觉领域自适应：一份综述

本研究提供了关于计算机视觉领域中，基于深度学习的深度域适应方法的全面概述，分类不同的深度域适应情景，总结了深度域适应方法，重点分析比较了各种情况下的最先进方法，并着重强调了当前方法的潜在缺陷和未来几个方向。

Feb, 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

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