提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法,该方法在图像分类和动作识别等任务上实现了最先进的结果。
Jul, 2019
该研究提出了一种利用对抗训练的开放式域自适应方法,其中分类器被训练用于在源与目标样本之间建立边界,而生成器被训练用于使目标样本远离边界,从而摆脱未知的目标样本,该方法在领域适应设置中得到了广泛的评估,并在大多数设置中优于其他方法。
Apr, 2018
无监督域自适应对标记数据集域与无标记数据集域之间的知识转移非常有效,开放集域自适应解决了目标域中可能存在的未知类别问题,这项工作探索了使用 CLIP 来应用于开放集域自适应的通用方法,并通过熵优化策略提高了模型性能,提供了在多个基准测试上最新的结果,证明了其在解决目标域适应问题中的有效性。
Jul, 2023
该论文提出了基于领域自适应的跨域分类问题,通过联合子空间的学习,使用有标签样本辅助实现跨域特征投影不变性,并结合了一种监督的局部保持投影 (SLPP) 技术,同时在无监督和零样本学习条件下,在三个跨域自适应基准数据集上实现了最先进的结果。
Mar, 2019
本文提供了第一篇研究开放领域自适应的学习界限,并提出了一种基于分布对齐的新型无监督算法,该算法旨在正则化开放集差异界限,实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020
在没有使用带标签源数据集的情况下,提出了一种新颖的领域适配范式,其中源培训模型被用于实现适应。该方法包括一种知识继承度量方法,以及一种可实现适应的继承模型选择方法。在视觉识别任务中进行综合实验评估,取得了最先进的开放域适配性能。
本文中,我们探讨了如何通过语义分类对齐和对未知类别的映射,提高开放式域适应性的性能。实验证明,我们的方法在现有基准测试上表现优异。
Aug, 2019
本文提出了一种基于聚类的领域自适应方法,通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征,经过广泛的实验,证明了该方法在面部识别任务方面具有先进性能。
May, 2022
本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题,并在新构建的基准测试数据集上进行了广泛的实验,证明在不同的评估指标上,该方法在目标域上的表现优于基线和经典方法 3%至 14%。
Apr, 2022