Jun, 2020

基于聚类的归纳式无监督领域自适应在几类问题中的应用

HTML
PDF
TL;DR本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。
发现论文，激发创造
  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017

  • 通过极小化最大熵进行半监督域自适应

    提出了一种基于Minimax Entropy的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。

    Apr, 2019

  • 结构化预测选择性伪标记的无监督域自适应

    本篇论文提出了一种基于结构化预测的选择性伪标记策略，通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记，实验证明该策略表现优于当代最先进方法。

    Nov, 2019

  • 领域自适应少样本学习

    本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源/目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源/目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

    Mar, 2020

  • 半监督领域自适应的跨域自适应聚类

    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

  • 基于图像到类别稀疏相似性编码的少样本无监督域自适应

    本文研究了一种称为few-shot unsupervised domain adaptation (FS-UDA)的有价值设置，并提出了一种基于本地描述符的高效方法来提高图像分类和域适应的性能

    Aug, 2021

  • 高层语义特征在少样本无监督领域适应中的重要性

    本文提出了一种新的针对少样本无监督域自适应（FS-UDA）的任务特定语义特征学习方法（TSECS），以提高图像分类的效果，包括跨域自我训练策略和最小化源和目标域之间高级特征分布的KL散度。在DomainNet数据集上的实验结果表明，该方法在FS-UDA领域取得了明显的性能优势（即10%）。

    Jan, 2023

  • 基于蒸馏鉴别聚类的无监督领域自适应

    该研究提出了一种名为DisClusterDA的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软Fisher准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对5个基准数据集进行的实验表明，DisClusterDA在这些数据集上的表现优于现有的方法。

    Feb, 2023

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于Office-Home、mini-ImageNet/CUB和DomainNet数据集提出了DA-FSOS的三个基准，并通过广泛的实验验证了DAFOSNET的有效性。

    Sep, 2023

  • 基于判别示例引导和参数高效的特征空间适应的跨领域少样本学习

    本文研究跨领域少样本分类，通过引入轻量级参数适配策略和方差感知损失函数来提高模型性能，在Meta-Dataset基准测试中，相较于现有方法，准确率分别提高了7.7%和5.3%，且参数效率至少提高3倍，达到了新的国际水平。

    Mar, 2024