本文提出一种新的多源领域自适应 (MDA) 框架,通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战,并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验,证明 MADAN 和 MANDA + 模型的优越性。
Feb, 2020
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法,并提出了一个新的对抗判别域自适应框架,称为 ADDA,它将判别建模、解除权重共享和 GAN 损失结合在一起,优于竞争的域对抗方法,且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。
Feb, 2017
提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法,其鼓励在输入实例的任何情况下,类别和域预测之间存在相互抑制关系,以解决现有方法中任务和域分类器相互独立导致的收敛问题,该方法能够在实际条件下定义一个最小极值博弈,促进联合分布对齐。除传统的闭集领域适应以外,还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中,在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。
Nov, 2019
本论文提出了一种新的多源域自适应的一般化界限,并使用对抗神经网络学习特征表示,取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。
May, 2017
本文介绍了多源域适应的概念和相关技术方法,探讨了其在深度学习时代的发展趋势和研究方向,为该领域的研究提供借鉴和参考。
在深度学习时代,由于很难获得大规模标记数据来训练先进的深度神经网络,因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法,而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中,我们首先定义了各种多源领域适应策略。接着,我们从不同的角度系统地总结和比较了现代多源领域适应方法,以及常用的数据集和一个简单的基准测试结果。最后,我们讨论了值得探索的多源领域适应的未来研究方向。
May, 2024
本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域,研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。
Dec, 2019
该研究提出了条件对抗域适应的方法,通过两种新的调节策略,Multilinear 调节和 Entropy 调节,实现对不同领域的分类问题的对抗对齐,超过了五个数据集上的最新成果。
本文提出了一种新的关系感知对抗域自适应(RADA)算法,通过使用一个单一的多类域鉴别器,强制进行领域对抗训练的同时学习 inter-class 依赖关系结构,并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐,证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。
May, 2019
本文提出部分域自适应作为一种新的域自适应场景,旨在将现有大型域中的深度模型转移到未知小型域中,通过下调异常源类别数据来训练源分类器和域对手,同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移,实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。
Aug, 2018