Dec, 2018

TWINs: 部分域自适应的两个加权不一致性减少网络

PDF
TL;DR本文提出了一种名为 Two Weighted Inconsistency-reduced Networks (TWINs) 的新方法，用于实现从源域到目标域的数据迁移，在较为吻合但不完全相同的情况下具有更好的性能，该方法采用两个分类器网络计算目标域中每个类别的样本比例，并利用分类不一致性来提取具有鉴别性的特征。
unsupervised domain adaptationmatching feature distributionspartial domain adaptationtwo weighted inconsistency-reduced networksdivergence between domains
发现论文，激发创造
  • 利用重要性权重对抗网络进行部分领域适应

    本文提出了一种基于重要性加权的对抗网络方法，用于无监督域自适应，特别适用于目标域比源域类别少的部分域适应。该方法可以克服现有域适应方法中假定标签空间相同的局限，并减少域之间共享类的变化。

    Mar, 2018

  • 针对部分领域适应的样例迁移学习

    本文通过提出 Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

    Mar, 2019

  • 基于实例加权的无监督领域自适应的统一框架

    针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法，我们全面研究了四种不同的无监督域自适应设置，包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应，其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概率，我们提出了一种名为无监督域自适应学习实例加权（LIWUDA）的新方法，通过构建加权网络、设计权重最优传输（WOT）和小批量实例的分隔与对齐（SA）丢失来解决这些挑战。通过实验评估，验证了提出的 LIWUDA 方法的有效性。

    Dec, 2023

  • 深度域自适应：超越权重共享

    在领域自适应中，为了解决来自不同领域的相关但不同的数据对分类器性能的影响，该研究使用了两个流的架构，其中一个处理源领域的数据，另一个处理目标领域的数据。在有监督和无监督的情况下，该方法均优于现有技术，并在多个物体识别和检测任务中实现了更高的准确性。

    Mar, 2016

  • 自适应累积知识迁移用于部分领域自适应

    本文介绍了一种自适应积累知识传递框架（A $^ 2$ KT），其中包括自适应积累机制，双特征分类器结构以及最大化聚类中心差异性和最小化聚类紧密度以获得更多领域不变性和任务特定的共享类别数据区分能力，该框架旨在解决部分域适应问题。复杂的实验表明该模型比当前 PDA 方法表现更优秀。

    Aug, 2020

  • 部分对抗域适应

    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

  • 强化传输网络进行选择性传输的局部域自适应

    针对部分领域自适应 (PDA) 问题，我们提出了一种基于加强学习的转移网络 (RTNet)，利用高层次和像素级别信息进行数据选择，并在共享标签空间中最小化域之间的差异，具有良好的性能表现。

    May, 2019

  • 无源自适应域无监督交叉干预网络

    提出了一种基于交叉推理网络的新方法，用于解决无源自适应领域中预测结果评估的问题，结果表明这种方法可以显著提高源自由无监督领域适应的性能。

    Jun, 2023

  • 基于自训练的领域自适应的双阶段伪标签密集化

    本研究提出了一种 Two-phase Pseudo Label Densification （TPLD）框架来解决自我训练中的次优模型问题，该框架在处理有序标签方面取得了显着改善，并与现有的 CRST 自我训练框架相结合，在标准的 UDA 基准测试上实现了最新的技术成果。

    Dec, 2020

  • 无监督领域自适应的动态加权学习

    本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

    Mar, 2021