自适应加权对抗领域适应
该论文提出了一种名为 ALDA 的新颖领域自适应方法,利用伪标签方法和混淆矩阵相结合,实现特征分布的对齐和目标特征的强分类,并将学习到的混淆矩阵构建为新的损失函数。在四个标准领域适应数据集上较其他已知方法表现更优。
Jan, 2020
本文提出了一种基于重要性加权的对抗网络方法,用于无监督域自适应,特别适用于目标域比源域类别少的部分域适应。该方法可以克服现有域适应方法中假定标签空间相同的局限,并减少域之间共享类的变化。
Mar, 2018
本文提出了一种非对称松弛分布对齐的方法来解决领域适应中标签分布偏移问题,并找到了合理的理论假设条件来支撑该方法,证明了该方法在合成和真实数据集上的实际效果。
Mar, 2019
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
提出了一种积极学习的方法,通过敌对领域自适应(AADA)进行表示转移,其探索了两个相关问题之间的双重性:敌对领域对齐和重要性采样来适应跨域模型, 以及将两种方法结合在一个框架中进行领域自适应和转移学习,当源域有许多标记示例而目标域没有时,它提供了重要的改进。
Apr, 2019
本文提出了一种新的自解耦框架 (SAD) 以实现特定领域的适应。使用一个领域关键字创建器和自对抗正则化器,将潜在表示分解为特定领域和不变领域特征,从而减缓了领域内差距,并取得了在目标检测和语义分割等领域中超越现有最先进方法的一致改进。
Aug, 2021
本文提出部分域自适应作为一种新的域自适应场景,旨在将现有大型域中的深度模型转移到未知小型域中,通过下调异常源类别数据来训练源分类器和域对手,同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移,实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。
Aug, 2018
我们提出了一种解决方案,通过探索超过一阶矩来稳健地对齐分类分布,克服了现有方法在部分领域适应设置中由私人来源类别的不希望样本引起的负转移和降低分类性能的问题,同时设计了强健的伪标注以实现高效的目标监督。实验结果和消融分析表明,我们提出的模型相比基准模型表现更优。
Oct, 2023
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