CVPRSep, 2019

开放式复合领域自适应

PDF
TL;DR本文提出了一种基于课程域适应策略和记忆模块的方法，以处理由多个同质域组成的无标签复合目标域的开放复合域适应问题。实验证明我们的方法在数字分类，面部表情识别，语义分割和强化学习上非常有效。
domain adaptationopen compound domain adaptationcurriculum domain adaptationmemory moduletarget domain
发现论文，激发创造
  • 聚类，分裂，融合和更新：用于开放式复合领域自适应语义分割的元学习

    提出了一种基于元学习的 OCDA 方法 MOCDA，通过对未标记的目标域进行连续建模，利用图像样式将其划分为多个子目标域，同时在线使用 MAML 算法来更新模型，实现在合成到真实的知识转移基准数据集上取得最优性能的目的。

    Dec, 2020

  • ML-BPM: 开放式复合领域适应语义分割的双向光度混合多教师学习

    本文提出了一种基于多教师框架的光度混合自适应分割方法，用于解决开放式复合领域自适应问题，比现有方法效果更好。

    Jul, 2022

  • 发现、虚构和调适：用于语义分割的开放式化合领域适应

    本文介绍了针对语义分割的无监督域自适应（UDA）的新方法 —— 开放复合域自适应（OCDA）。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架，它首先根据样式聚类混合目标数据，然后使用图像转换方法在源中臆造多个潜在的目标域，最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题，实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。

    Oct, 2021

  • 语义分割中的无源开放式化合物领域自适应

    本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。

    Jun, 2021

  • SCMix：用于语义分割的开放复合领域自适应的随机复合混合

    应用 Stochastic Compound Mixing 方法进行开放式复合领域适应，通过降低源域与混合目标域之间的差异来改善模型泛化性能，这种方法在 OCDA 语义分割任务上实现了更低的经验风险，并与 SoTA 结果相比有显着的性能提升。

    May, 2024

  • 开放领域问答中领域自适应挑战与干预：调整或注释？

    研究开放领域问答（ODQA）中，当应用于广泛不同的领域时，此类模型的稳健性和应用性能。该研究提出了一个更现实和具有挑战性的领域转移评估环境，并研究了端到端的模型性能。他们发现，不仅模型在推广方面表现出失败，且高检索分数通常也不能提供准确的答案预测。最后，研究提出并评估了多种干预方法，其提高了端到端答案 F1 得分，最多可达 24 个点。

    Dec, 2022

  • 开放混合域适应语义分割的振幅谱变换

    本文提出了基于振幅谱变换的特征空间 AST 的 OCDA 简化自适应技术，隐式地完成跨域特征风格化和域内容规范化，同时在场景分割基准测试中领先于之前的技术。

    Feb, 2022

  • 开放集领域适应：理论界限与算法

    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

  • 图像和行为识别的开放域适应性

    提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法，该方法在图像分类和动作识别等任务上实现了最先进的结果。

    Jul, 2019

  • 辅助目标领域分类器的域自适应

    该研究提出一种名为 Auxiliary Target Domain-Oriented Classifier (ATDOC) 的模型，旨在解决在无监督域适应中伪标签分布偏移和分类器偏置的问题。该模型基于最近邻居和内存机制，在多种领域适应基准和半监督任务上显着优于领域对齐技术和先前的半监督技术。

    Jul, 2020