统一无监督域自适应与零样本视觉识别

Mar, 2019

统一无监督域自适应与零样本视觉识别

Unifying Unsupervised Domain Adaptation and Zero-Shot Visual Recognition

Qian Wang, Penghui Bu, Toby P. Breckon

TL;DR该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影 (SLPP) 技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

Abstract

unsupervised domain adaptation aims to transfer knowledge from a source domain to a target domain so that the target domain data can be recognized without any explicit labelling information for this domain. One limitation of the problem setting is that testing data, despite having no l

unsupervised domain adaptation cross-domain classification generalized zero-shot learning subspace learning supervised locality preserving projection

发现论文，激发创造

零样本深度领域适应

该研究提出了一种基于零样本学习的深度学习领域自适应方法（ZDDA），它可以在没有相关目标域数据的情况下进行任务迁移和传感器融合，并通过多个数据集的实验验证了其有效性。

Jul, 2017

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

自我监督下的无监督领域自适应

本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

Sep, 2019

通过格里斯曼流形上的核回归进行零样本领域适应

本文提出了一种新的域自适应方法，当目标域可以被描述为参数化向量且存在几个相关源域在同一参数空间内时，它无需访问目标域的数据或标签，大大降低了数据收集和注释的负担，并显示出一些有前途的结果。

Jul, 2015

基于对抗域自适应的零样本学习生成框架

该研究提出了一种基于领域自适应的生成模型，解决了零样本学习中类分布之间的领域偏移问题，并通过对抗性训练增强了神经网络分类器的鲁棒性。

Jun, 2019

一次性无监督跨域检测

本篇论文介绍一种多任务架构的目标检测算法，利用一次性适应的方法，自动适应不同的域，无需访问大量的目标数据，其中利用自监督任务和伪标签方法加强了适应，对比最新的跨域检测方法，研究结果显示该方法有优势，是 one-shot 情况下的最佳方法。

May, 2020

面向在未知领域中识别未知类别

利用 CuMix 算法，结合 Zero-Shot Learning 和 Domain Adaptation 和 Domain Generalization，在识别未见过的可视概念和领域上大幅提升性能

Jul, 2020

基于假设传递和标签传递的源数据缺失无监督域自适应

本文针对数据保护的要求，提出了一种基于分类模型训练的无监督领域自适应方法：Source HypOthesis Transfer (简称 SHOT)，通过提取目标领域的特征并利用同一假设对原数据和目标数据进行映射，同时利用半监督学习来提高目标域中置信度较低的样本的准确性，实现了卓越的性能及实用价值。

Dec, 2020

零样本域泛化

在标准监督学习设置中，假设训练数据和测试数据来自相同的分布（领域）。领域泛化（DG）方法旨在学习一个模型，该模型在多个领域的数据上训练时可以推广到新的未见领域。我们将 DG 扩展到了一个更具挑战性的领域，其中未知领域的标签空间也可能发生变化。我们将此问题称为零射领域泛化（据我们所知，这是第一个这样的尝试），其中模型不仅可以在新的领域之间推广，还可以在这些领域中的新类之间推广。我们提出了一种简单的策略，该策略有效地利用了类的语义信息，以使现有的 DG 方法满足零射领域泛化的要求。我们在 CIFAR-10、CIFAR-100、F-MNIST 和 PACS 数据集上评估了所提出的方法，为这个新的研究方向奠定了坚实的基础。

Aug, 2020

通用源自由域自适应

该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

Apr, 2020