AAAIAug, 2018

联合领域对齐和判别特征学习的非监督深度领域自适应

PDF
TL;DR通过联合域对齐和辨别特征学习的方式，可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域，大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而，本文指出，所有域对齐方法只能减少，而不是消除域移位的情况。因此，我们提出了一种实例和中心的辨别特征学习方法，它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明，在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。
发现论文，激发创造
  • 区分性特征对齐：通过高斯引导的潜在对齐提高无监督领域自适应的可传递性

    该研究关注无监督域自适应问题，提出了一种基于高斯引导潜在对齐方法，通过先验分布间接对齐两个域的潜在特征分布来提高特征对齐性和实现知识转移，并在九个基准数据集上取得了优秀表现。

    Jun, 2020

  • 基于信息论的鉴别聚类学习用于无监督领域自适应

    该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习 domain-invariant features 和 discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

    Jun, 2012

  • 领域自适应的判别式主动学习

    本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

    May, 2020

  • 基于蒸馏鉴别聚类的无监督领域自适应

    该研究提出了一种名为 DisClusterDA 的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对 5 个基准数据集进行的实验表明，DisClusterDA 在这些数据集上的表现优于现有的方法。

    Feb, 2023

  • 局部保留联合转移域自适应

    本研究提出了一种新方法，可以利用特征适应、分布匹配和样本适应，同时考虑样本之间的本地一致性，以保持样本的流形结构。通过学习领域特定的投影，我们的方法适用于同质和异质域适应，并且在包括标准和大规模数据集的五个基准测试上得到了显着的优化。此外，我们还证明了可以通过异质适应来促进深度特征上的准确性。

    Jun, 2019

  • 联合对比学习用于无监督领域自适应

    本文提出了一种将源域和目标域相结合的联合优化框架，并引入了一种称为 JCL 的新方法，它利用对比损失来最大化特征和标签之间的互信息，以最小化联合误差，从而有效提高了特征传递性和分类效果。

    Jun, 2020

  • 跨域人物识别的联合去耦和适应

    本文提出了一种联合学习框架，通过提纯表征空间来改善适应性，并使用不同的空间对身份相关 / 不相关特征进行解缠，并在共享外观空间上执行对抗性对齐和自我训练进行适应。实验表明，该框架在未受监督的领域自适应方面胜过现有技术。

    Jul, 2020

  • 紧密但不同的领域自适应

    该论文提出了一种名称为 CDDA 的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

    Apr, 2017

  • 跨域对比学习用于无监督域自适应

    该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

    Jun, 2021

  • 利用本地特征模式进行无监督领域自适应

    本文介绍了一种方法，它通过学习领域不变的局部特征模式并联合对齐整体和局部特征统计量，从而进一步实现细粒度特征对齐，并在两个流行的基准数据集上将其与现有的无监督领域适应方法进行比较，证明了我们方法的优越性和对减轻负迁移的有效性。

    Nov, 2018