Jan, 2020

使用 Mixup 训练改进无监督领域自适应

PDF
TL;DR本论文研究了无监督域适应问题，提出了使用 mixup 公式在领域之间强制应用训练约束，并引入特征级一致性正则化器来促进跨域约束，有条件混合和领域对抗学习，显著提高了图像分类和人类活动识别的重要任务的最新表现。
unsupervised domain adaptationpredictive modelingtraining constraintsmixup formulationfeature-level consistency regularizer
发现论文，激发创造
  • 领域混合的对抗性领域自适应

    本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域，研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

    Dec, 2019

  • ProxyMix：基于代理的 Mixup 训练与标签提炼，用于无源领域自适应

    本研究提出了一种基于代理的混合训练方法，其中使用类原型定义分类器的权重，并通过最近邻来构建一个平衡的代理源域，从而在不引入额外网络参数的情况下改善了源自由的领域适应问题。此外，通过使用一种基于频率加权的聚合策略来生成软伪标签，本研究进一步提高了伪标签的可靠性，然后在基于代理域的状态下使用了两种混合正则化方法来减少噪声标签的影响，并在图像和点云识别基准上取得了最先进的结果。

    May, 2022

  • 无监督域自适应的虚拟混合训练

    本文提出一种叫做 Virtual Mixup Training 的新方法，该方法可以将局部 Lipschitz 约束性应用到训练数据间距的区域中，不需要使用标签信息，适用于无监督域自适应。结果表明，VMT 显著提高了 VADA 在六个领域适应基准数据集上的性能，尤其是将 MNIST 适应到 SVHN 的挑战性任务中，VMT 可以将 VADA 的准确性提高 30% 以上。

    May, 2019

  • 对抗领域适应的双 Mixup 正则化学习

    提出了一种基于双混合正则化学习（DMRL）的无监督域自适应方法，采用判别器辅助分类器训练，通过混合正则化促进模型对于样本和特征的分类和对于域变量的鲁棒性，实验结果表明该方法在四个域适应基准上实现了最先进结果。

    Jul, 2020

  • 基于 Transformer 的多源域自适应

    研究了大型预训练转换模型在无监督多源域自适应中的效果，发现领域对抗性训练对其有影响，但对表现影响不大，同时混合专家方法则显著提高了表现并比较了几种混合函数，包括一种基于注意力的新混合方法。

    Sep, 2020

  • 混合训练使领域泛化变得轻而易举

    本文提出了一种基于 Mixup 的领域不变特征增强方法 (FIX) 和进一步增强判别能力的改进方法 (FIXED)，在图像分类和时间序列分析等领域得到了广泛实验验证并成功提高测试精度。

    Nov, 2022

  • COVID-19 信息服务的无监督域自适应对比敌对域混合

    本研究提出了一种基于对比学习和对抗域混合的无监督域自适应框架，用于将知识从现有数据域传递到目标 COVID-19 数据域，以适应 COVID-19 误信息检测系统。实验证明，我们的方法相比最新的基线算法能够有效地适应未知的 COVID-19 目标领域并取得显著的改进。

    Oct, 2022

  • 自我监督下的无监督领域自适应

    本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

    Sep, 2019

  • 面向领域自适应语义分割的上下文感知混合技术

    本文提出一种新的上下文感知混合框架（CAMix），用于域自适应语义分割，通过引入上下文相关性作为显式先验知识，以完全端到端的可训练方式增强了对目标域的适应性，并在三个不同的水平上引导上下文感知域组合。

    Aug, 2021

  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020