无监督领域自适应的多源注意力
该研究提出了一种算法,可以在没有源数据和目标标签的情况下,自动结合适当的权重来组合源模型,以获得与最佳源模型同样好的性能,这为无监督领域自适应提供了实用性的解决方案。
Apr, 2021
本文提出了一个两阶段的框架,用于多源无监督域适应问题,该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐,以及利用领域特定的决策边界对分类器的输出进行对齐,以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题,这种方法在经典的图像分类数据集上取得了显著的结果。
Jan, 2022
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
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
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
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
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
本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT),该框架通过学习一个共同的模型参数词典进行知识转移,并在三个领域适应基准数据集上实验验证了其优越性。
Sep, 2018
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