May, 2019

蝴蝶：野外无监督域自适应一步法

PDF
TL;DR本论文提出了一种新的领域自适应问题，即在源域有噪声标签的情况下，通过未标记的目标域数据进行分类，该方法名为 WUDA。我们建议使用蝴蝶框架，该框架同时维护四个深度网络以解决噪声数据和分布偏移。我们发现，蝴蝶框架在 WUDA 下显着优于现有的基准方法。
unsupervised domain adaptationnoisy labeled databutterfly frameworkclassificationtarget domain
发现论文，激发创造
  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 黑盒源模型的无监督领域自适应

    本篇论文研究了源领域无标签数据的黑盒非监督域适应 (B$^2$UDA) 问题，在此基础上提出了一种名为 Iterative Learning with Noisy Labels (IterLNL) 的简单有效方法，通过黑盒模型作为噪声标签工具进行噪声标注和学习，迭代解决该问题。实验表明，无需源数据和源模型，IterLNL 的表现可与传统有标签源数据的 UDA 方法相媲美。

    Jan, 2021

  • 无监督单目标和多目标领域适应的强弱一体化半监督

    提出一种称为 SWISS 的强弱集成半监督学习策略，用于图像分类的无监督域自适应中。该方法适用于单目标和多目标场景，通过探索域间的类别距离关系以及使用同级域中更强样本的方法来实现从单目标到多目标域自适应的扩展。实验证明了 SWISS 框架的有效性。

    Sep, 2023

  • 深度无监督域自适应：近期进展和展望综述

    深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

    Aug, 2022

  • 无精确共享类别的多目标无监督域适应

    本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT)，该框架通过学习一个共同的模型参数词典进行知识转移，并在三个领域适应基准数据集上实验验证了其优越性。

    Sep, 2018

  • Clarinet: 面向预算友好的无监督领域自适应的一步方法

    提出了一种名为 CLARINET 的方法，它使用来自源域的互补标签数据和目标域的未标记数据来解决预算友好的无监督领域适应问题，并通过维护两个深度网络来实现源到目标分布适应。

    Jul, 2020

  • 不确定特征对齐下的无监督领域自适应

    本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法（UFAL），该方法包括 Uncertain Feature Loss（UFL）函数和 Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。

    Sep, 2020

  • 噪声普适领域自适应的发散优化

    本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

    Apr, 2021

  • 无监督多源域自适应，无需访问源数据

    该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

    Apr, 2021

  • 通过发散最优化实现视觉识别的噪声通用领域自适应

    本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

    Apr, 2023