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

KDDJun, 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

Inductive Unsupervised Domain Adaptation for Few-Shot Classification via Clustering

Xin Cong, Bowen Yu, Tingwen Liu, Shiyao Cui, Hengzhu Tang...

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。

Abstract

few-shot classification tends to struggle when it needs to adapt to diverse domains. Due to the non-overlapping label space between domains, the performance of conventional domain adaptation is limited. Previous

few-shot classification domain adaptation inductive framework clustering pseudo-labeled data

发现论文，激发创造

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

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

聚类到适应：在不同标签之间进行语义分割的少样本领域自适应

本研究提出了一种聚类适配方法 Cluster-to-Adapt（C2A），通过在转换的特征空间中强制执行聚类目标来选择源和目标域之间可以对齐的类别，从而实现分割数据集领域自适应的跨数据集分类适应。该方法在室内外语境场景下进行的少样本学习和零样本学习中均表现出了比现有方法和基准方法都更好的性能。

Aug, 2022

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

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

Few-Max: 无监督对比表示学习的少样本领域自适应

本文提出了一种面向 Few-Shot 自监督对比学习的域自适应方法 Few-Max，旨在解决在目标分布下自适应问题。使用各种来源和目标数据集对 Few-Max 进行了评估，证明其在表示质量方面始终优于其他方法。

Jun, 2022

面部识别联邦无监督领域自适应

本文提出了一种联合优化聚类域自适应与联邦学习的方法来解决隐私约束下使用的人脸识别问题，并在新构建的基准测试数据集上进行了广泛的实验，证明在不同的评估指标上，该方法在目标域上的表现优于基线和经典方法 3％至 14％。

Apr, 2022

Few-shot 自适应 Faster R-CNN

提出一种名为 FAFRCNN 的基于源域数据训练的检测器的 few-shot adaptation 方法，通过配对机制和双层模块来实现对目标域中目标检测的准确性提高。

Mar, 2019

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

跨领域自监督原型学习用于少样本无监督领域适应

本文提出了一种端到端的 Prototypical Cross-domain Self-Supervised Learning (PCS) 框架，通过在共享嵌入空间中编码和对齐语义结构，不仅执行跨域低级特征对齐，而且捕捉数据的类别间语义结构。与最先进的方法相比，PCS 在 FUDA 上在不同域对之间的平均分类精度分别提高了 10.5％，3.5％，9.0％和 13.2％。

Mar, 2021