Feb, 2019

非监督式视觉领域自适应：一种深度最大边际高斯过程方法

PDF
TL;DR采用高斯过程的方式进行大间隔后验分离问题的非监督领域适应研究。
unsupervised domain adaptationshared input representationmaximum discrepancy of classifiersgaussian processeslarge-margin posterior separation
发现论文，激发创造
  • KL 导向领域适应

    本文研究了领域自适应中的输入表示对齐问题，提出了一种基于最小化源域和目标域表示分布之间的反向 Kullback-Leibler 差距的方法，利用概率表示网络实现了高效稳定的对齐方法，实验结果表明其优于其他对齐方法。

    Jun, 2021

  • 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

  • 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

  • 通过分布匹配进行到未见过的领域的泛化

    本文探讨监督学习中数据导致的实际问题，着重于领域泛化研究，提出最小化给定领域对之间差异的方法，并在 EEG 数据集中验证了该策略。

    Nov, 2019

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 关于深度领域自适应的最小差别估计

    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。

    Jan, 2019

  • 高斯过程和贝叶斯探索的域不变学习

    高斯过程的领域不变学习算法（DIL-GP）使得预测在合成和真实的数据集上具备优越性；DIL-GP 贝叶斯优化方法在四旋翼 PID 参数调整实验中展现出有效性。

    Dec, 2023

  • 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

  • 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

  • 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