本文提出了一种新颖的无监督域自适应方法,通过同时优化理论上建立的误差界的三个项,迭代搜索潜在的共享特征子空间,来降低数据分布差异并增加类间距离,以有效学习目标数据的预测器。同时,还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。
Feb, 2018
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
提出了一种基于图匹配和正则化的无监督领域自适应方法,可用于处理源域和目标域之间的偏差。计算机模拟表明,所提出的方法优于传统的矩匹配方法,与当前的本地域自适应方法具有竞争力。
May, 2018
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
本文提出了一种用于无监督域适应的方法,通过仅仅匹配源域和目标域的图像统计数据即可实现域适应,不需要其他额外的换架构和超参数,相比于最近的方法,在训练过程中使用更简单的流程来实现当前最先进的性能。
May, 2020
提出了一种基于学习的方法,用于直接适应源和目标张量表示,其中引入了一组对准矩阵以将两个领域的张量表示对齐到不变张量子空间,并展示了其在域自适应的卷积激活方面具有最佳性能。
Jul, 2017
本研究提出了一种无监督领域自适应方法,通过训练共享嵌入来对齐输入(域)和输出(类)的联合分布,从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐,还确保标签对齐,并提出了一种新颖的目标函数,鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。
May, 2019
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022
通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议,作者提出了两种方法来解决领域泛化挑战,并在四个跨领域基准数据集上进行了大量实验。实验结果表明,所提出的模型在 DG 方面优于当前最先进的方法。
Dec, 2018
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019