CVPRMar, 2019

基于 Sliced Wasserstein 距离的无监督域自适应

PDF
TL;DR本文提出了一种基于任务特定决策边界和 Wasserstein 度量的领域自适应的特征分布对齐方法，即切片 Wasserstein 差异。实验表明该方法在数字和标志识别、图像分类、语义分割和目标检测上都具有有效性和普适性。
unsupervised domain adaptationwasserstein metricsliced wasserstein discrepancytask-specific classifiersdistribution alignment
发现论文，激发创造
  • 切片瓦瑟斯坦生成模型

    该论文介绍了一种新的方法，使用少量参数化正交投影来近似分解高维分布的一维边际分布，以便于在生成式框架中实现深度学习。研究表明，该方法在标准图像综合基准和高分辨率图像和视频生成方面表现出优越性和最先进性。

    Apr, 2019

  • 切片瓦瑟斯坦生成模型

    本研究介绍了基于深度学习的一种小批量近似方法，用于在自动编码器和生成式对抗网络等现代生成模型中实现切片 Wasserstein 距离，以便在无监督情况下实现高分辨率图像和视频的生成，表现为当代最佳水平。

    Jun, 2017

  • 增强的切片 Wasserstein 距离

    本文提出了一种名为增广矢量切片距离（ASWDs）的新的距离度量方式，通过将样本映射到由神经网络参数化的高维超曲面上，使得它们能够捕获数据分布的复杂结构，实验结果表明，ASWD 在合成和实际问题上均明显优于其他 Wasserstein 变体。

    Jun, 2020

  • 基于源导向差异的无监督领域自适应

    我们提出了一种新的度量源域和目标域之间差异的度量器称为 S-disc，利用源域标签计算效率和计算误差均有所提升，可用于比现有方法更紧密的推广误差界和提供更好的实验结果。

    Sep, 2018

  • 基于 Wasserstein 距离的领域自适应表示学习

    本文提出了一种新的方法 ——Wasserstein Distance Guided Representation Learning (WDGRL)，其利用神经网络来估计源域和目标域之间的 Wasserstein 距离，并以对抗的方式来优化特征提取器网络，以最小化估计的 Wasserstein 距离，该方法在情感和图像分类自适应数据集上的实证研究表明其优于现有的领域不变表示学习方法。

    Jul, 2017

  • 分布式 Sliced-Wasserstein 及其在生成建模中的应用

    本文提出了一种新的距离度量方法，名为 Distributional Sliced-Wasserstein distance（DSW），其通过寻找在单位球上的一组满足特定正则化约束条件的概率测度来计算，能够平衡探索鲜明的投射方向和投射本身信息的信息量，该方法在生成建模应用中比先前的基于切片的距离具有更好的性能。

    Feb, 2020

  • 球形切片 - 瓦热斯坦

    本文介绍了一种新的基于球面的 Sliced-Wasserstein 距离测度方法，该方法基于对圆上 Wasserstein 距离的封闭解和球面 Radon 变换的新构建，从而使得 SW 的差异测量得以扩展至流形，同时该方法的高效实现有助于在球面数据表示的机器学习应用中实现样本采样、密度估计和超球自编码器等。

    Jun, 2022

  • 使用 Wasserstein 度量的数据集精馏

    利用 Wasserstein 距离进行数据集简化，通过嵌入合成数据到预训练分类模型的特征空间进行分布匹配，实现了数据集简化的新的最先进性能。

    Nov, 2023

  • 自相似一致性与特征辨别探索 —— 无监督域自适应

    该研究主要关注于在无监督领域适应中如何在全局分布对齐的同时同时考虑不同域的类信息，为了更 comprehensively 的进行对齐，提出了基于 Self-similarity Consistency 的新的域差异度量方法，同时加入了特征规范的限制以使得在适应时不要求严格对齐，提高了适应性能。

    Apr, 2019

  • 通过切片 Wasserstein 距离优化的同胚形变用于大脑皮层表面重建

    使用切片 Wasserstein 距离，基于概率测度的 Mesh 变形方法进行了研究。使用神经常微分方程 ODE 对输入的 Mesh 表面进行变形，其结果在多个数据集和指标上均超过了其他竞争方法。

    May, 2023