通用域自适应的样本选择方法
本篇论文提出了一种基于结构化预测的选择性伪标记策略,通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记,实验证明该策略表现优于当代最先进方法。
Nov, 2019
提出了一种基于图匹配和正则化的无监督领域自适应方法,可用于处理源域和目标域之间的偏差。计算机模拟表明,所提出的方法优于传统的矩匹配方法,与当前的本地域自适应方法具有竞争力。
May, 2018
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
该文提出了一种名为 UMAD 的通用模型适应框架,能够在不使用源数据或了解域之间类别偏移的先验知识的情况下处理 open-set 和 open-partial-set 的两种 UDA 场景,并通过实验证明其在数据隐私敏感型应用中具有可比较甚至更优的性能。
Dec, 2021
无监督领域适应的研究中,通过使用预训练网络进行多阶段伪标签优化程序,解决了无标签目标数据中的类别错位问题,证明了该简单方法在多个数据集上比复杂的最先进技术更有效。
Feb, 2024
通过引入新的先验引导的伪标签优化策略,提出了一种改善 UniSSDA 适应性设置中常见类别偏差的方法,有助于在 Office-Home、DomainNet 和 VisDA 等基准数据集上取得最佳性能,并为 UniSSDA 建立了新的基准线。
Mar, 2024
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
该论文提出了一种无需源数据的领域自适应技术,其基于生成式框架,使用来自源类的分类器生成样本,并使用神经能量网络训练联合分布,在此极为新颖的场景中取得了比基准模型更好的结果。
Feb, 2021