视觉情感分类的多源域适应

AAAIJan, 2020

Multi-source Domain Adaptation for Visual Sentiment Classification

Chuang Lin, Sicheng Zhao, Lei Meng, Tat-Seng Chua

TL;DR本文提出了一种多源领域自适应方法，称为多源情感生成对抗网络（MSGAN），用于视觉情感分类，通过循环一致性对抗性学习以端到端的方式，MSGAN 可以学习找到一个统一的情感潜在空间，其中来自源域和目标域的数据共享类似的分布。对四个基准数据集进行的广泛实验表明，MSGAN 在视觉情感分类方面明显优于最先进的多源领域自适应方法。

Abstract

Existing domain adaptation methods on visual sentiment classification typically are investigated under the single-source scenario, where the knowledge learned from a source domain of sufficient labeled data is tr

domain adaptation multi-source sentiment classification generative adversarial network cycle consistent adversarial learning

发现论文，激发创造

多源域自适应语义分割

本文提出了一种多源领域自适应的新型框架 MADAN，其中包括通过动态语义一致性生成每个源的适应域，通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合，以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明，MADAN 模型优于现有的最先进方法.

Oct, 2019

利用多个来源的课程 CycleGAN 进行文本情感域自适应

本文介绍了一种名为课程循环一致生成对抗网络（C-CycleGAN）的实例级多源域适应框架，可在处理用户评论和反馈数据中应用多源域适应领域，该框架主要包括预训练文本编码器、中间域生成器和任务分类器，可达到比现有域自适应方法更好的性能。

Nov, 2020

MADAN: 多源敌对领域聚合网络用于领域自适应

本文提出一种新的多源领域自适应 (MDA) 框架，通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战，并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验，证明 MADAN 和 MANDA + 模型的优越性。

Feb, 2020

神经网络对抗训练的多源域适应

本论文提出了一种新的多源域自适应的一般化界限，并使用对抗神经网络学习特征表示，取得了在情感分析、数字分类和车辆计数等数据集上显著的适应性表现。

May, 2017

TriGAN：多源域适应的图像到图像翻译

本文提出了基于生成对抗网络的多源域自适应方法，通过将图像特征投影到保留内容依赖性的空间，再将这个不变表示重新投影到像素空间，从而生成训练目标分类器所需的新标记图像。通过 MSDA 基准测试，表明本文的方法优于现有技术。

Apr, 2020

深度学习时代的多源域适应：系统综述

本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

Feb, 2020

基于对抗训练的多源无监督领域自适应情感分析

提出了基于多源域自适应方法的两种转移学习框架来执行情感分析，其中关键特征是基于权重方案的无监督领域适应框架和基于两阶段训练的无监督领域适应框架，成果展示了比无监督的最新竞争对手更具有实用性的性能表现。

Jun, 2020

更多就是更好：多源深度域适应

在深度学习时代，由于很难获得大规模标记数据来训练先进的深度神经网络，因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法，而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中，我们首先定义了各种多源领域适应策略。接着，我们从不同的角度系统地总结和比较了现代多源领域适应方法，以及常用的数据集和一个简单的基准测试结果。最后，我们讨论了值得探索的多源领域适应的未来研究方向。

May, 2024

多源领域自适应互相学习网络

本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架，该方法将目标域与每个单一源域配对，使用条件对抗性域自适应网络作为分支网络进行训练，并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐，通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习，该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明，ML-MSDA 方法优于比较方法，并实现了最新的性能表现。

Mar, 2020

基于协作学习的多源域自适应语义分割

本文提出了一种新颖的基于协作学习的多源领域自适应框架，通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息，同时通过图像翻译使源域与目标域之间的差距减小，经实验证明，在语义分割任务中，该方法在 Cityscapes 数据集的验证集上获得 59.0％的 mIoU，显著优于所有之前的单一和多源无监督领域自适应方法。

Mar, 2021