IJCAIApr, 2020

在嘈杂环境下实现准确且稳健的领域适应

PDF
TL;DR本文提出了一种使用离线课程学习和代理分布的边际差异方法来消除标签噪声和特征噪声的领域自适应算法，并将其无缝转化为一个对抗网络进行联合优化，在存在噪声的环境下，与现有技术相比取得了超过 10％的准确度提高。
domain adaptationlabel noisefeature noiseadversarial networkempirical studies
发现论文，激发创造
  • 领域自适应目标检测的强健学习方法

    本文提出了一种基于鲁棒学习思想的目标检测框架，通过使用在源领域上训练的检测模型获取目标领域的嘈杂标签数据，从而实现对所谓领域适应问题的处理。通过在 SIM10K、Cityscapes 和 KITTI 等数据集上的验证，将本文提出的方法与现有方法进行了比较，得出了它的显著提升。

    Apr, 2019

  • 使用数据模拟进行非监督噪声适应

    本文提出利用生成式对抗网络实现深度神经网络的非监督噪声自适应问题，成功地解决了训练 - 测试数据集之间的偏差，提高了语音增强模型的性能。

    Feb, 2023

  • 基于类别原型的混淆对纠正方法用于噪声环境下的领域适应

    我们提出了一种处理嘈杂环境下无监督领域适应问题的方法，通过检测和修正混淆的类对，利用准确的标签来训练模型，并在实验中验证了我们方法的有效性和性能。

    Mar, 2024

  • 噪声普适领域自适应的发散优化

    本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

    Apr, 2021

  • 通过发散最优化实现视觉识别的噪声通用领域自适应

    本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

    Apr, 2023

  • 解决无源无监督视频域自适应的标签噪声问题

    使用自主训练、伪标签、微调和师生框架等方法，这篇论文提出了解决视频领域适应性问题的方法，以在没有源数据的情况下实现源无关自适应，并取得了领先的实验结果。

    Nov, 2023

  • 贝叶斯不确定性匹配在无监督域自适应中的应用

    通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

    Jun, 2019

  • 增量式对抗性领域自适应技术在不断变化环境中的应用

    通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

    Dec, 2017

  • 无需源数据的无监督领域自适应

    该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法，只需要无标签的目标数据和源分类器，有效地解决了预训练模型中源数据不可用的问题，并表明其在有限标记数据的情况下胜过微调基线。

    Jul, 2020

  • 领域自适应的判别式主动学习

    本文提出了一种用于区域自适应的主动学习方法，通过使用三阶段的主动对抗训练神经网络（包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略，以及使用查询的目标标签重新训练阶段)，该方法可以减少数据标注的工作量，对四个基准数据集进行的实证比较表明了该方法的有效性。

    May, 2020