学习不变表示以实现无监督图像恢复
本文探讨无监督的跨域图像检索任务,提出了基于类簇对比学习和距离 - 距离损失的方法,无需外部监督,在 Office-Home 和 DomainNet 数据集上实验结果表明,我们的方法优于现有最先进方法。
Jul, 2022
本文介绍了一种能够有效地实现为线性分类器的学习表示算法,该算法能够明确地补偿域不匹配,并在训练分类器的过程中形成从目标(测试)域到源(训练)域的线性转换。通过多类别适应的表示学习,能够在异构特征空间之间进行映射,并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明,与之前的方法相比,提高了准确性并具有计算上的优势。
Jan, 2013
本文针对无监督域适应学习中常见的假设提出了简单反例,证明了这些假设并不足以保证域适应的成功;提出了一种基于信息理论的弱化条件,并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡;最后,通过实验验证了理论结果。
Jan, 2019
本文探讨通过将语音表征映射到对应的高级语言信息以学习领域不变的语音表征,结果证明,学习到的 latents 不仅捕捉到每个音素的发音特征,而且提高了适应能力,在 accened 测试基准上大幅优于基准模型。
Oct, 2022
提出了一种无监督域适应的通用框架,利用添加额外的网络和损失函数,通过使用图像翻译框架和特征提取实现在无需目标域训练数据的情况下,测试源域训练的深度神经网络在不同的目标域上的能力,并在分类和分割任务上,应用于 MNIST、USPS、SVHN 和 Amazon、Webcam、DSLR Office 以及 GTA5 和 Cityscapes 数据集,取得了最先进的性能。
Dec, 2017
本论文提出了一种用于半监督域适应的算法 LIRR,它能同时学习不变的表示和风险,并将特征空间中的边缘和条件分布对齐,实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。
Oct, 2020
本文提出了一种无监督单图像去模糊方法,基于解缠表示学习,使用内容编码器和模糊编码器来分离模糊图像中的内容和模糊特征,并通过 KL 散度损失函数来规范提取的模糊属性的分布范围,同时添加模糊分支和循环一致性损失来处理不成对的训练数据,生成视觉逼真的图像;并基于合成数据集和真实图像进行了广泛实验,得到了优于最新的去模糊方法的结果。
Mar, 2019
该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐,该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明,该方法在从合成到真实的城市场景理解中具有良好的效果。
Mar, 2020
糖尿病视网膜病变(DR)是糖尿病引起的严重视力损害风险。我们提出了一个新颖的框架,其中来自不同领域的配对数据的表示被解耦为语义特征和领域噪声,以生成与临床需求对齐的增强表示,最终通过使用类和领域原型进行插值来改善解耦表示的鲁棒性,以及通过数据感知加权函数来关注罕见类别和领域。通过多个基准测试上的实验结果证明了我们方法在未知领域上的有效性。
Jun, 2024
本文提出了一种目标导向的隐式神经映射算法,优化双重领域以分别建模有噪声的表示的标准空间 (噪声鲁棒 (NR) 域) 和一个双生干净空间标准,即无噪声 (NF) 域,通过最大化表示之间的信息交互来增强其对噪声的稳健性,并通过 NR 和 NF 之间的映射函数生成抗噪能力的表示,以实现对复杂噪声图像的鲁棒性和高性能。
Jul, 2023