Nov, 2018

无监督领域自适应的渐进特征对齐

HTML
PDF
TL;DR本文提出了渐进特征对齐网络(PFAN)对无监督域自适应问题进行解决, 通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤, 使得模型能够有效地完善交叉领域的分类一致性。
发现论文，激发创造
  • 无监督域自适应的共同正则化对齐

    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

  • 特征规范自适应方法：适用于无监督域自适应的更大规范更易迁移

    通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

    Nov, 2018

  • 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

  • ToAlign: 面向任务的无监督领域自适应对齐

    本文提出了一种名为ToAlign的有效的无监督领域适应方法，该方法通过性能指导的特征分解和对齐，在源域和目标域之间实现了任务导向的对齐来实现最优解。

    Jun, 2021

  • 先验知识指导的无监督域自适应

    本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

    Jul, 2022

  • 兼顾两种世界：面向领域的Transformer用于无监督领域自适应

    提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 2022

  • 基于不确定性和自训练的特征对齐用于无源自监督域自适应

    本文提出了一种源自由的无监督领域自适应方法，使用预先训练的源模型和未标记的目标图像，通过数据增强和一致性目标来捕捉不确定性，并且鼓励特征生成器在决策边界外学习一致的视觉特征，以增强模型对图像扰动的鲁棒性，并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距，实验结果表明，该方法对于图像扰动具有更强的鲁棒性。

    Aug, 2022

  • 带标签偏移的条件支持对齐域自适应

    本文介绍了一种名为CASA的方法，使用条件对抗支持对齐来最小化源域和目标域的特征表示分布之间的条件对称支持差异，以提供更好的分类模型，同时提出了一种新的理论目标风险界来证明对比于现有的边缘支持对齐方法，对齐有条件的特征分布的支持更加优秀。实验结果表明CASA在不同的无监督域适配基准任务中的性能优于其他先进方法。

    May, 2023

  • 让UDA中的U有意义：无监督领域自适应的不变一致性学习

    通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

    Sep, 2023

  • 无监督领域适应中的梯度协调

    本研究解决了无监督领域适应中领域对齐与分类任务之间的冲突问题。提出的新方法“梯度协调”及其改进版本GH++，通过调整任务间的梯度角度来减少冲突，同时保持优化方向的稳定性。实验结果表明，这些方法能够显著提升现有UDA模型的性能。

    Aug, 2024