关于深度领域自适应的最小差别估计

ICMLJan, 2019

关于深度领域自适应的最小差别估计

On Minimum Discrepancy Estimation for Deep Domain Adaptation

Mohammad Mahfujur Rahman, Clinton Fookes, Mahsa Baktashmotlagh, Sridha Sridharan

TL;DR本文提出一种基于二阶统计量（协方差）和源目标数据最大均值差异的双流卷积神经网络的非监督式深度领域适应方法，通过实验表明，该方法在三个基准领域适应数据集上均可实现最先进的图像分类性能。

Abstract

In the presence of large sets of labeled data, deep learning (DL) has accomplished extraordinary triumphs in the avenue of computer vision, particularly in object classification and recognition tasks. However, DL

deep learning computer vision domain shift domain adaptation convolutional neural network

发现论文，激发创造

简单有效：基于图像统计匹配的领域自适应方法

本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

May, 2020

判别式标签一致性域自适应

本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

Feb, 2018

单源深度无监督视觉域自适应综述

本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

Sep, 2020

利用领域自适应和数据增强构建制造深度学习模型的最小和不平衡训练数据

本文提出了一种基于领域自适应和自编码器数据增强的方法，用于解决在目标学习任务中对标记训练数据的缺乏以及目标数据集不平衡的问题，实验结果表明该方法在标记样本数量显著较少和目标数据集不平衡的情况下具有优越性。

May, 2023

深度领域泛化的多组分图像转换

通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

Dec, 2018

正则化超图匹配的无监督领域自适应

我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

May, 2018

无监督域自适应的最大分类器差异

本文提出了一种无监督领域自适应的方法，利用任务特定的决策边界来解决源和目标域之间的分布问题，通过两个分类器输出的差异来检测远离源支持的目标样本，并通过生成器生成接近源支持的目标特征来最小化差异，该方法在图像分类和语义分割的几个数据集上优于其他方法。

Dec, 2017

目标检测渐进领域自适应

该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

Oct, 2019

领域自适应时间序列分类以减轻协变量漂移

本文提出一种新的基于监督学习的域适应技术，利用最优传输方法和嵌入相似性技术，从少量样本中搜索最优类别相关转换，并在推理中选择相应的转换，能够减小领域差异，并在多个包括模拟和手写数据集的领域漂移时间序列数据集上进行了广泛的评估。

Apr, 2022

令人沮丧的简单领域自适应的回归

提出一种名为 CORal 的简单且高效的无监督域自适应方法，通过对齐源域和目标域的二阶统计量来最小化域漂移，可在标准基准数据集上表现出色。

Nov, 2015