May, 2019

无监督域自适应的虚拟混合训练

HTML
PDF
TL;DR本文提出一种叫做Virtual Mixup Training的新方法，该方法可以将局部Lipschitz约束性应用到训练数据间距的区域中，不需要使用标签信息，适用于无监督域自适应。结果表明，VMT显著提高了VADA在六个领域适应基准数据集上的性能，尤其是将MNIST适应到SVHN的挑战性任务中，VMT可以将VADA的准确性提高30%以上。
发现论文，激发创造
  • 对抗式判别领域自适应

    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

  • 无监督域适应中DIRT-T方法的应用

    通过集群假设的视角，该研究提出了两个新的模型：结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应（VADA）模型以及采用自然梯度步骤进一步减小集群假设违反的Decision-boundary迭代细化训练与教师（DIRT-T）模型。广泛的实证结果表明，这两个模型的组合大大提高了数字，交通标志和Wi-Fi识别领域自适应基准的最新性能。

    Feb, 2018

  • 特征规范自适应方法：适用于无监督域自适应的更大规范更易迁移

    通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

    Nov, 2018

  • 通过对抗元适应网络进行混合目标领域适应

    本文提供了一种新颖的混合目标域自适应情景下的解决方案，称之为AMEAN，其中使用了两种对抗学习方法，以克服BTDA中的负转移效应和隐式类别缺陷，并取得了良好的性能。

    Jul, 2019

  • 领域混合的对抗性领域自适应

    本研究提出在深度神经网络中结合域随机映射(Domain Mixup)的方法用于域自适应领域, 研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

    Dec, 2019

  • 使用Mixup训练改进无监督领域自适应

    本论文研究了无监督域适应问题，提出了使用mixup公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。

    Jan, 2020

  • 对抗领域适应的双 Mixup 正则化学习

    提出了一种基于双混合正则化学习（DMRL）的无监督域自适应方法，采用判别器辅助分类器训练，通过混合正则化促进模型对于样本和特征的分类和对于域变量的鲁棒性，实验结果表明该方法在四个域适应基准上实现了最先进结果。

    Jul, 2020

  • VDM-DA: 虚拟域建模用于无源数据域自适应

    本文提出了一种无需源数据的无监督域自适应方法，称为虚拟域建模，旨在通过在预训练的源模型中基于模拟高斯混合模型（GMM）的特征空间生成虚拟域样本并设计有效的分布对齐方法，在不接触源领域数据的情况下通过训练深度神经网络实现来源与目标域之间的分布一致，成功实现了在二维图像和三维点云识别任务中的领域自适应，且取得了最优表现。

    Mar, 2021

  • f域对抗学习：理论与算法

    本文提出了一种新的通用领域敌对框架，利用变分f-分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

    Jun, 2021

  • 对抗对比训练用于无监督领域自适应

    提出了一种新颖的对比对抗训练 (Contrastive Adversarial Training, CAT) 方法，通过利用源域样本来强化和规范目标域的特征生成，以解决领域适应中由于大模型训练和目标域微调缺乏标记数据而导致的问题。该方法可以轻松插入现有模型并显著提高性能。

    Jul, 2024