CVPRMar, 2020

结构化规则化的深度聚类无监督领域自适应

PDF
TL;DR通过结构领域相似性建立直接的目标簇聚，结合源域规则化，使用基于深度网络的判别性聚类的灵活框架最小化网络的预测标签分布和引入辅助分布之间的 KL 散度，并通过联合网络训练实现结构来源规则化，提高目标同质性和结构规则化，SRDC 在不进行显式的领域对齐的情况下在三个 UDA 基准测试中优于所有现有方法。
unsupervised domain adaptationstructural domain similaritydiscriminative clusteringsource regularizationdeep network
发现论文，激发创造
  • 基于结构正则化深度聚类的无监督领域自适应内在数据结构挖掘

    使用深度聚类框架，基于结构相似性约束的聚类算法，对无标签目标领域进行无监督域适应任务，能够在图像分类和语义分割领域内的无显式特征对齐的情况下，实现优异表现

    Dec, 2020

  • 无监督深度域自适应中的潜在域推断

    本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

    Mar, 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

  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 跨域对比学习用于无监督域自适应

    该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架 CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

    Jun, 2021

  • 深度无监督域自适应：近期进展和展望综述

    深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

    Aug, 2022

  • 领域自适应语义分割的样式适应

    我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

    Apr, 2024

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 基于正交和聚类嵌入的语义分割无监督域适应

    本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略，能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。

    Nov, 2020

  • 基于黑盒源模型的分割无监督领域自适应

    本文提出了一种基于黑盒分割模型的无监督域自适应解决方案，利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示，并应用无监督熵最小化来规范目标域置信度，最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。

    Aug, 2022