Feb, 2020

半监督领域自适应的矛盾结构学习

HTML
PDF
TL;DR本文提出了一种新颖的半监督域自适应框架，即统一对立结构学习（UODA），通过对反对目的的生成器和两个分类器（即源散射分类器和目标聚类分类器）的训练，以解决当前领先的对抗适应方法中存在的条件分布不匹配和决策边界偏向源域的偏差问题，通过源特征扩展和目标特征聚类过程的交替，使目标特征紧密包含在对应源特征的膨胀边界内，以精确对齐跨域特征，并通过对抗训练范式逐步更新特征距离和表示的测量，以克服模型崩溃的问题，实验结果表明该方法在DomainNet和Office-home数据集的基准测试表现优异。
发现论文，激发创造
  • 通过极小化最大熵进行半监督域自适应

    提出了一种基于Minimax Entropy的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。

    Apr, 2019

  • 基于正则化条件对齐的无监督域适应

    本研究提出了一种无监督领域自适应方法，通过训练共享嵌入来对齐输入（域）和输出（类）的联合分布，从而使任何分类器对域都不具有特异性。联合对齐不仅确保域的边际分布对齐，还确保标签对齐，并提出了一种新颖的目标函数，鼓励类条件分布在特征空间具有不相交的支持。此外还可以利用对抗正则化来改进没有注释的域上分类器的性能。

    May, 2019

  • 无监督多类域自适应：理论、算法和实践

    本文介绍了一种基于MCSD的多类域间自适应的学习方法(Multi-class Domain-adversarial learning Networks （McDalNets）), 通过使用数据相关的 PAC 常数, 研究了其有效性, 并引入了结合了领域混淆和歧视的新型敌对策略的域对称网络（SymmNets）来提高多类域间自适应性能。

    Feb, 2020

  • 预训练和一致性帮助简单半监督领域自适应

    该研究展示出半监督领域自适应 (Semi-Supervised Domain Adaptation, SSDA) 可以在不需要特征对齐的情况下学习一个精度较高的目标分类器，使用自监督预训练和一致性正则化等简单技术可以实现良好的目标集群分离效果，超越多种对抗领域对齐方法在多个数据集上实现了卓越的目标精度。

    Jan, 2021

  • 通过结构条件对抗学习进行无监督域自适应图像分类

    提出了一种基于结构条件对抗学习方案（SCAL），该方案能够在域分布对齐期间保留内部类紧密性。结合本地结构作为结构感知条件，通过结构条件对抗学习管道实现。实验结果证明了该方案在无监督领域适应方案中的有效性。

    Mar, 2021

  • 半监督领域自适应的跨域自适应聚类

    该论文提出了一种名为跨域自适应聚类的新方法，使用敌对训练产生自适应聚类损失，将未标记目标数据的特征分组到聚类中，并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量，并产生了更强大的聚类核心，从而实现了半监督领域自适应的最佳表现。

    Apr, 2021

  • 跨域梯度差异最小化用于无监督域自适应

    本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

    Jun, 2021

  • 带有条件和标签漂移的对抗式无监督域自适应：推断、对齐和迭代

    本文提出了一种通过对齐条件和标签分布来实现对抗式无监督域自适应的方法，并提出了一种新的优化策略。实验结果表明，它在分类和分割的无监督域自适应上具有很好的效果。

    Jul, 2021

  • 无监督领域自适应对抗鲁棒性

    本文提出一种通过利用ImageNet预训练模型中的中间表示，使得源域与目标域学习到的特征分布更加接近，从而提高无监督域适应模型在未标记数据上的对抗鲁棒性，不需要对抗干预或标签要求。

    Sep, 2021

  • 无监督单目标和多目标领域适应的强弱一体化半监督

    提出一种称为SWISS的强弱集成半监督学习策略，用于图像分类的无监督域自适应中。该方法适用于单目标和多目标场景，通过探索域间的类别距离关系以及使用同级域中更强样本的方法来实现从单目标到多目标域自适应的扩展。实验证明了SWISS框架的有效性。

    Sep, 2023