强化传输网络进行选择性传输的局部域自适应
本文通过提出 Example Transfer Network(ETN)的方法,使得源域与目标域的表示更具有代表性而形成一种权衡,从而在部分领域适应任务中取得最新的成果。
Mar, 2019
本文介绍了一种自适应积累知识传递框架(A $^ 2$ KT),其中包括自适应积累机制,双特征分类器结构以及最大化聚类中心差异性和最小化聚类紧密度以获得更多领域不变性和任务特定的共享类别数据区分能力,该框架旨在解决部分域适应问题。复杂的实验表明该模型比当前 PDA 方法表现更优秀。
Aug, 2020
本文提出了一种高效实现的深度残差校正网络,该网络使用一个残差块与任务特定的特征层插在源网络中,以有效增强从源到目标的自适应性,明确削弱不相关的源类的影响,并设计了一种加权类别域对齐损失以将源和目标之间的两个域耦合起来。在部分,传统和细粒度跨领域视觉识别方面的全面实验表明,DRCN 优于竞争的深度域自适应方法。
Apr, 2020
本文提出了一个鲁棒的部分领域自适应(PDA)框架,通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈,减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同,我们的方法通过源样本原型和高置信度目标样本,在域不变的方式下提供了明确的目标来优化类内紧凑性和类间分离性。值得注意的是,我们通过先验地推断源样本原型来确保源数据的隐私,从而在自适应阶段不需要访问源数据。我们进行了一系列全面的实验证明分析,涵盖了一系列部分领域自适应任务。对基准数据集的全面评估证实了我们的框架的增强鲁棒性和泛化性,展示了其相对于现有最先进 PDA 方法的优越性。
Sep, 2023
该论文提出了一种名为 Deep Transfer Network 的领域适应框架,其中高度灵活的深度神经网络用于实现分布匹配过程,在分类准确性和执行时间等方面取得了显著的改进。
Mar, 2015
本文介绍了一种简单而有效的基于自适应学习的域自适应方法,称为自适应迁移分类器学习(SP-TCL),用于解决弱监督下的部分域自适应问题,通过精心设计的损失函数发现准确知识并在遵循自适应学习方案下从源域中迭代地排除示例,实现了目标域的成功适应,多项基准测试结果表明 SP-TCL 在多个广义域适应任务中明显优于现有方法。
Jun, 2024
本文提出了一种可以同时学习源域标记数据和目标域未标记数据的适应分类器和可转移特征的深度网络领域适应新方法。改进了以往方法假设源分类器和目标分类器共享分类器的假设,并通过将多个层的特征与张量积融合并将它们嵌入可再生核希尔伯特空间来匹配特征适应的分布。实验结果表明新方法在标准领域适应基准上优于现有最先进的方法。
Feb, 2016
提出了一种自适应网络方法,通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题,本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进,验证了方法的可行性并得到了广泛应用
Jul, 2020
本文提出了判别性径向领域适应方法(DRDA),通过共享径向结构来缩小源域和目标域之间的差异,以增强特征的传递性和可区分性。在多个基准测试中进行了广泛实验,表明该方法在各种任务上均优于现有方法,包括典型的无监督域适应,多源域适应,域不可知学习和域泛化。
Jan, 2023
本文提出了一种名为 Two Weighted Inconsistency-reduced Networks (TWINs) 的新方法,用于实现从源域到目标域的数据迁移,在较为吻合但不完全相同的情况下具有更好的性能,该方法采用两个分类器网络计算目标域中每个类别的样本比例,并利用分类不一致性来提取具有鉴别性的特征。
Dec, 2018