Apr, 2018

因果生成领域自适应网络

PDF
TL;DR本文提出了一种灵活的生成领域自适应网络 (G-DAN) 和因果生成领域自适应网络 (CG-DAN)，旨在通过建模特征的生成过程和使用低维潜在变量，学习和处理源域和目标域之间的分布变化，进而实现跨领域数据生成和预测。实验结果表明，这两种方法在合成和真实数据实验中都能有效地适应不同的领域。
domain adaptationgenerative networklatent variablescausal modelingcross-domain prediction
发现论文，激发创造
  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 广义域条件自适应网络

    本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法，通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。

    Mar, 2021

  • 深度适应网络学习可迁移特征

    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

  • 耦合生成对抗网络

    本文提出了联合生成对抗网络 (CoGAN) 用于学习多域图像的联合分布。 与现有方法相比，CoGAN 可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • GA-DAN：用于场景文本检测和识别的几何感知域自适应网络

    本文提出了一种新颖的能够同时模拟几何空间和出现空间中的跨域移位的几何感知域自适应网络 (GA-DAN)，并可在具有非常不同特征的不同领域之间实现逼真的图像转换。在所提出的 GA-DAN 中，设计了一种新颖的多模态空间学习技术，它将源域图像转换为目标域中不同空间视图的多个图像。还引入了一种新的分离循环一致性损失 (loss)，来平衡外观空间和几何空间的循环一致性，并大大提高整个网络的学习性能，该 GA-DAN 在经典场景文本检测和识别任务中进行了评估，实验证明，在应用于网络训练时，域适应图像可以实现更好的场景文本检测和识别性能。

    Jul, 2019

  • MiddleGAN：用于无监督领域自适应的生成领域无关样本

    本研究提出了一种新型生成对抗网络（MiddleGAN），通过输入源域和目标域相似的样本生成领域无关样本，以训练处理目标领域分类任务的分类器，通过在 24 个基准测试中的实验证明，在特定的基准中，MiddleGAN 在现有算法中的表现出了高达 20.1％的优异性能。

    Nov, 2022

  • JointGAN: 用生成式对抗网络实现多领域联合分布学习

    开发了一种新的生成对抗网络，用于联合分布匹配，并能够从多个随机变量中学习联合分布，同时学习采样每个单独领域的边缘分布和领域间的条件分布，该框架由多个生成器和一个基于 Softmax 的评论家组成，并通过对抗性学习进行联合训练。

    Jun, 2018

  • 动态对抗适应网络的迁移学习

    该论文提出了一种新的动态对抗自适应网络（DAAN），旨在在量化评估全局和本地域分布的相对重要性的同时，动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练，并取得了比现有方法更好的分类准确性，结果表明对抗迁移学习中动态分布自适应的必要性和有效性。

    Sep, 2019

  • 生成以适应：使用生成对抗网络对齐领域

    本研究提出了一种使用生成对抗网络，在学习的联合特征空间中利用无监督数据来使源分布和目标分布更接近的方法，并在不同难度的实验环境中表现出卓越的性能，展示了我们方法的强大和广泛性。

    Apr, 2017

  • GAN 转移：从有限数据生成图像

    本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

    May, 2018