主动对抗域自适应
本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法,并提出了一个新的对抗判别域自适应框架,称为 ADDA,它将判别建模、解除权重共享和 GAN 损失结合在一起,优于竞争的域对抗方法,且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。
Feb, 2017
提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法,其鼓励在输入实例的任何情况下,类别和域预测之间存在相互抑制关系,以解决现有方法中任务和域分类器相互独立导致的收敛问题,该方法能够在实际条件下定义一个最小极值博弈,促进联合分布对齐。除传统的闭集领域适应以外,还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中,在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。
Nov, 2019
该研究提出了一种领域对抗主动学习算法(DAAL),用于领域泛化任务中的分类任务,在减少数据资源的情况下实现强大的泛化能力,从而降低领域泛化任务中的数据标注成本。
Mar, 2024
提出了一种主动域自适应的方法,通过新的采样策略,在满足代表性、多样性和不确定性的同时,选择最能近似整个目标分布的样本,并使用这些样本进行监督学习以及匹配源域和目标域的标签分布,取得了显著的性能提升。在四个公共基准测试上,本方法在每种自适应情景下均显著优于现有方法。
Aug, 2022
本文提出了一种新的关系感知对抗域自适应(RADA)算法,通过使用一个单一的多类域鉴别器,强制进行领域对抗训练的同时学习 inter-class 依赖关系结构,并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐,证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。
May, 2019
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
本文提出了一种用于区域自适应的主动学习方法,通过使用三阶段的主动对抗训练神经网络(包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略,以及使用查询的目标标签重新训练阶段),该方法可以减少数据标注的工作量,对四个基准数据集进行的实证比较表明了该方法的有效性。
May, 2020
本文介绍了一种基于能量模型的主动学习策略,名为 “EADA”,可用于帮助将深度神经网络推广到新的目标域。该算法通过求解目标数据组的自由能量,结合领域特征和实例不确定性,从中选择最有价值的目标数据样本。此外,领域差可以通过调整目标数据的自由能量使之紧凑地围绕源域,从而得到有效缩小。实验表明,该算法在各项基准测试中表现良好,比其他先进方法有很大的优势。
Dec, 2021
D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.
Feb, 2022
提出了一种动态集成不确定性估值框架(Detective),通过学习适应多源域的模型参数来兼容多源域的联合,综合考虑多源域与目标域之间的领域偏移,使用证据深度学习来探测信息量大的目标样本,并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明,该解决方案在三个领域适应基准上的表现显著优于现有方法。
Nov, 2023