本文提出一种新颖的 Cycle-Consistent Adversarial Domain Adaptation 模型,可以在视觉识别和预测的各种情景中适用,通过像素级和特征级的适应,强制实施循环一致性,并利用任务损失,从而在多个适应任务中展现出新的最先进结果,包括数字分类和道路场景的语义分割,展示从合成到真实世界领域的转移。
Nov, 2017
该研究提出了条件对抗域适应的方法,通过两种新的调节策略,Multilinear 调节和 Entropy 调节,实现对不同领域的分类问题的对抗对齐,超过了五个数据集上的最新成果。
May, 2017
本文提出了一种用于区域自适应的主动学习方法,通过使用三阶段的主动对抗训练神经网络(包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略,以及使用查询的目标标签重新训练阶段),该方法可以减少数据标注的工作量,对四个基准数据集进行的实证比较表明了该方法的有效性。
May, 2020
本文介绍了一种增强循环对抗学习模型,用于域适应并解决在其中数据丰富的域中对任务的学习问题,通过迁移学习及结合声音识别任务的结果,在低资源环境下将 SVHN 和 MNIST 彼此转换的分类准确率分别提升了 14% 和 4%。
Jul, 2018
我们提出了一种混合对比学习和基于循环一致性的迁移转导学习方法。该方法利用两个 H-CUT 网络和两个分类器,通过循环一致性、MoNCE 和一致性损失来优化目标领域分类器,有效地注释平民和军用车辆以及舰船目标。
Jan, 2024
本文中,我们提出了带条件的联合生成对抗网络(CoCoGAN)来解决零样本域自适应(ZSDA)问题,在没有目标域数据的情况下训练 CoCoGAN 以完成领域自适应。通过在相关任务(RT)和不相关任务(IRT)中采用源域数据和双域数据进行训练,CoCoGAN 能够捕获两个不同任务的双域样本的联合分布,从而使其在图像分类方面优于现有的技术水平。
Sep, 2020
本文提出了一种基于多通路结构、利用领域专业特征进行自适应知识提取的域适应方法,通过添加特定领域的注意力机制探索低层次的领域特异性特征以及特定层次的知识适应块来提高适应性。
Mar, 2021
本文提出了条件对抗网络 (CANs) 框架,旨在探索共享特征和标签预测之间的关系,以对共享特征施加更多的可辨识性,用于多领域文本分类 (MDTC)。CAN 引入了一个条件域鉴别器,同时对共享特征表示和类别感知信息建模,采用熵条件保证共享特征的可转移性。我们提供了 CAN 框架的理论分析,证明 CAN 的目标等价于最小化共享特征和标签预测的多个联合分布之间的总发散。因此,CAN 是一个理论上良好的对抗网络,其可以判别多个分布。在两个 MDTC 基准测试上的评估结果表明,CAN 优于之前的方法。进一步的实验表明,CAN 具有将学习到的知识推广到未见领域的良好能力。
Feb, 2021
该研究论文介绍了一种用于图像翻译的无监督学习方法,采用对抗性和循环一致性损失将源域图像翻译到目标域中,并且在多项任务上的实验结果表明该方法优于之前的方法。
Mar, 2017
该论文提出了一种新的动态对抗自适应网络(DAAN),旨在在量化评估全局和本地域分布的相对重要性的同时,动态学习域不变表示。DAAN 是首次尝试对深层对抗学习进行动态自适应分布的实践。该方法在真实应用中易于实现和训练,并取得了比现有方法更好的分类准确性,结果表明对抗迁移学习中动态分布自适应的必要性和有效性。
Sep, 2019