吸引还是分散注意力:开放集空间的边缘利用
该研究提出了一种利用对抗训练的开放式域自适应方法,其中分类器被训练用于在源与目标样本之间建立边界,而生成器被训练用于使目标样本远离边界,从而摆脱未知的目标样本,该方法在领域适应设置中得到了广泛的评估,并在大多数设置中优于其他方法。
Apr, 2018
在弱监督开放域自适应中,使用 CDA 的知识转移方法能够双向协调地分类未标记数据和识别异常点,并在应用于 Person reidentification 和 Office 基准时达到了最先进的性能。
Apr, 2019
本文提供了第一篇研究开放领域自适应的学习界限,并提出了一种基于分布对齐的新型无监督算法,该算法旨在正则化开放集差异界限,实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。
Jul, 2019
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020
我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架,以自动检测目标数据中出现的新类别并将其丢弃,从而在开放域适应中显著优于现有技术。
May, 2018
提出了一种用于语义分割的开放域适应方法,在目标域中包含未知类别,通过构建边界和未知形状感知的开放域域自适应模型 (BUS),利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界,并提出了一种新的领域混合增强方法(OpenReMix),此方法指导模型学习域和尺寸不变特征,以改善已知和未知类别的形状检测,通过广泛实验表明,与之前的方法相比,BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。
May, 2024
该研究提出了一种新的无监督开放式域自适应方法,其中提出的上限包括四个术语:源域风险,ε- 开放集差异,域之间的分布差异和一个常数。模型训练完成后,其表现在多个基准数据集,包括数字识别 (MNIST,SVHN,USPS),物体识别 (Office-31,Office-Home) 和人脸识别 (P:IE) 方面已经达到了最先进水平。
Jun, 2020
通过提取未知实例的高置信度集合,并将其用作限制条件来收紧开放集域自适应方法的分类边界,改进了开放集域自适应方法。在包含 Office-31 和 Office-Home 数据集的广泛实验中,对 OVANet 进行评估,观察到连续改进的结果,Office-31 的准确率和 H-Score 绝对增益高达 1.3%,Office-Home 的准确率增益为 5.8%,H-Score 增益为 4.7%。
Sep, 2023