无监督域自适应的伪标注课程
无监督领域适应的研究中,通过使用预训练网络进行多阶段伪标签优化程序,解决了无标签目标数据中的类别错位问题,证明了该简单方法在多个数据集上比复杂的最先进技术更有效。
Feb, 2024
本篇论文提出了一种基于结构化预测的选择性伪标记策略,通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记,实验证明该策略表现优于当代最先进方法。
Nov, 2019
该研究提出了一种利用信息论界限和特征对齐技术,将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法,取得了比现有方法更好的性能表现。
Feb, 2022
该论文提出了一种名为跨域自适应聚类的新方法,使用敌对训练产生自适应聚类损失,将未标记目标数据的特征分组到聚类中,并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量,并产生了更强大的聚类核心,从而实现了半监督领域自适应的最佳表现。
Apr, 2021
本文重新审视了伪标记的概念,提出了一种基于半监督学习的方法,通过将伪标记应用于无标签集中的样本,并利用已训练好的模型标记这些样本,然后迭代重复此过程来训练模型。本文通过实验证明,伪标记方法可以取得与现有最先进方法相媲美甚至更好的结果,并且更能抵御未知分布样本。作者指出采用学习课程原理以及在每个自我训练周期前重启模型参数是实现这一点的两个关键因素。在 CIFAR-10 数据集上,本文仅使用了 4,000 个标记样本,达到了 94.91% 的准确率,在 Imagenet-ILSVRC 数据集上,本文仅使用了 10%的标记样本,达到了 68.87%的 top-1 的准确率。
Jan, 2020
基于深度学习的解决方案如何在面对与训练数据不同特征的情况下,语义分割会有性能下降的问题,针对此问题提出了一种无监督领域适应的方法,利用辅助伪标签优化网络进行自训练,实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.
Oct, 2023
本研究提出了一种 Two-phase Pseudo Label Densification (TPLD)框架来解决自我训练中的次优模型问题,该框架在处理有序标签方面取得了显着改善,并与现有的 CRST 自我训练框架相结合,在标准的 UDA 基准测试上实现了最新的技术成果。
Dec, 2020
本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法,通过第一视角和第二视角目标的相对特征距离来调整原型分配,并使用特征距离来估计伪标签的概率以辅助在线纠正,同时利用自我监督训练模型进一步提高性能。
Jan, 2021
该研究提出了一种名为 DisClusterDA 的新方法,将无监督领域适应问题重新表述为目标数据的判别式聚类,使用基于熵最小化、软 Fisher 准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息,同时结合并行的受监督学习目标来训练网络,经过对 5 个基准数据集进行的实验表明,DisClusterDA 在这些数据集上的表现优于现有的方法。
Feb, 2023
该文章研究了无监督领域自适应的问题,提出一种新的方法,该方法同时学习 domain-invariant features 和 discriminative features,并且以信息论度量作为优化目标,在目标域和源域中训练分类器。经过实验验证,该方法在物体识别和情感分析等任务中表现出了明显的优势。
Jun, 2012