Jul, 2019

通过校准不确定性进行无监督领域自适应

PDF
TL;DR本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以 Renyi 熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。
unsupervised domain adaptationpredictive uncertaintiesrenyi entropy regularizationvariational bayes learningsample variance
发现论文，激发创造
  • 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

  • 无监督领域自适应中的不确定性导向对齐

    无监督领域自适应回归 (UDAR) 旨在将模型从有标签的源领域适应到无标签的目标领域用于回归任务。本文通过结合来自不确定性的指导提出了一种有效的 UDAR 方法，该方法在预测的同时提供置信度度量并作为嵌入空间的正则化。我们在四个 UDAR 基准上展示了我们方法的有效性，优于现有方法。

    Jan, 2024

  • 基于黑盒源模型的分割无监督领域自适应

    本文提出了一种基于黑盒分割模型的无监督域自适应解决方案，利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示，并应用无监督熵最小化来规范目标域置信度，最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。

    Aug, 2022

  • 基于不确定性估计的伪标签引导源无关非监督域自适应

    本文提出一种基于损失加权策略的 Source-free Unsupervised Domain Adaptation 方法，该方法在没有源数据的情况下，通过估计伪标签的不确定性来逐步优化伪标签，并采用一种自监督对比框架作为目标空间规范化器来增强知识聚合，并在三个基准测试中均取得了显著的优异表现，证明了该方法的鲁棒性。

    Mar, 2023

  • PseudoCal: 基于无源方法的领域自适应非监督不确定性校准

    本文提出了一种基于无标注目标数据的源自由校准方法 PseudoCal，该方法解决了无标签目标域数据中目标领域内部不确定性的问题，并在 10 个 UDA 方法上展现了出色的校准效果。

    Jul, 2023

  • 跨域语义分割的不确定性感知一致性正则化

    提出了一种基于不确定性感知和地区一致性的跨域语义分割一致性正则化方法，通过利用目标样本的潜在不确定性信息，引入了动态加权的一致性损失，使得从教师模型传递到学生模型的知识更具意义和可靠性。同时，提出了一种 ClassDrop 掩蔽生成算法和 ClassOut 策略，实现了地区一致性的有效建模。实验表明，该方法在四个跨域自适应基准上优于现有方法。

    Apr, 2020

  • 基于不确定性和自训练的特征对齐用于无源自监督域自适应

    本文提出了一种源自由的无监督领域自适应方法，使用预先训练的源模型和未标记的目标图像，通过数据增强和一致性目标来捕捉不确定性，并且鼓励特征生成器在决策边界外学习一致的视觉特征，以增强模型对图像扰动的鲁棒性，并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距，实验结果表明，该方法对于图像扰动具有更强的鲁棒性。

    Aug, 2022

  • 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

  • 无监督深度域自适应中的潜在域推断

    本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

    Mar, 2021

  • 贝叶斯不确定性匹配在无监督域自适应中的应用

    通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

    Jun, 2019