KDDJun, 2019

扩展的 Dawid-Skene 模型：融合来自多个数据模式的信息

PDF
TL;DR通过 Inter-Schema AdapteR 来解决标签不一致问题，使得可以在异构模式下学习，避免重新注释数据，同时在老鼠行为分析数据集中达到了比 Dawid-Skene 模型更好的表现。
label fusiondata wranglingannotation inconsistenciesinter-schema adapterheterogeneous schemas
发现论文，激发创造
  • 结构全知：通过领域间结构信息适应性增强语义分割

    本文提出了一种基于结构内容的无监督领域自适应语义分割方法，通过 Domain Invariant Structure Extraction (DISE) 框架实现跨领域图像转换和标签转移，大量实验证明该方法在无标注数据情况下具有更高的分割性能。

    Mar, 2019

  • DALSA: 监督学习稀疏标注的 MR 图像领域自适应

    我们提出了一种利用迁移学习技术来有效纠正稀疏标注引入的采样选择错误的新方法，该方法从稀疏和明确的标注中得出不同组织类别的高质量分类器，并采用域自适应技术来有效纠正引入的稀疏采样选择错误。与完全标记数据的训练相比，我们将标记和训练时间分别缩短了 70 倍和 180 倍以上，而又不损失准确性，这极大地简化了在各种场景和成像设置中建立和不断扩展大型标注数据库的过程，因此是朝着组织分类中基于学习的方法实际应用性迈出的重要一步。

    Mar, 2024

  • 基于原型多层学习的半监督域自适应

    本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。

    May, 2023

  • MLSL: 多层次自监督学习，带有空间独立和语义一致标记的领域自适应

    本文提出了一种基于多级自监督学习模型的语义分割域自适应方法，通过分割多个子图像来生成空间独立且语义一致的伪标签，并计算图像级伪弱标签来捕捉源域和目标域中的全局上下文相似性，从而在像素数很少（例如小物体）的情况下帮助潜在空间学习表示。该方法在 GTA-V 到 Cityscapes 和 SYNTHIA 到 Cityscapes 的适应中均取得了优于现有方法的性能表现。

    Sep, 2019

  • 基于双层领域混合的半监督领域适应用于语义分割

    该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

    Mar, 2021

  • 源标签适应的半监督域自适应

    该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

    Feb, 2023

  • 无源域自适应中的伪标签解析

    该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的 SFDA 方法，获得了在 VisDA、DomainNet 和 OfficeHome 三个领域自适应数据集上的最新成果。

    Jan, 2024

  • 来自无标注数据的结构化知识的领域自适应文本分类

    该论文提出了一种称为结构化知识领域自适应（DASK）的新方法，通过利用单词级语义关系来增强域自适应，为跨域情感分类提供了 3% 的提升。

    Jun, 2022

  • DGSS: 使用迭代风格挖掘和潜在表示对域通用语义分割进行分析

    本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

    Feb, 2022

  • SRDA: 通过扫描，推理和域自适应生成实例分割注释

    利用三维扫描、推理和基于 GAN 的领域自适应技术相结合，提出了一种名为 SRDA 的新型管道，以获得大量的训练样本，从而在人工成本极低的情况下实现像素级实例分割的良好性能。

    Jan, 2018