吸引、干扰与探索：学习特征对齐网络进行半监督域自适应

ECCVJul, 2020

吸引、干扰与探索：学习特征对齐网络进行半监督域自适应

Attract, Perturb, and Explore: Learning a Feature Alignment Network for Semi-supervised Domain Adaptation

Taekyung Kim, Changick Kim

TL;DR该论文提出了一种半监督领域自适应框架（SSDA），主要通过三个方案（吸引、扰动和探索）来解决目标域中的域内差异问题，进而实现特征对齐。在多个数据集上的实验表明，该方法优于其他方法。

Abstract

Although unsupervised domain adaptation methods have been widely adopted across several computer vision tasks, it is more desirable if we can exploit a few labeled data from new domains encountered in a real application. The novel setting of the semi-supervised domain adaptation (SSDA)

semi-supervised domain adaptation intra-domain discrepancy target domain feature alignment adversarial perturbation

发现论文，激发创造

语义分割的领域自适应半监督学习中的区内和区间混合

本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。

Aug, 2023

跨域混合增强的半监督域适应

这篇论文介绍了一种新的半监督领域适应方法，称为具有领域内混合和邻域扩展的跨域集成，以解决标签空间中的标签不匹配问题，并通过利用邻域扩展进一步提高自适应模型的性能。

Jan, 2024

源标签适应的半监督域自适应

该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

Feb, 2023

基于原型多层学习的半监督域自适应

本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。

May, 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

基于相似度的伪标签注入半监督域自适应

本研究通过引入对比损失和伪标记机制，对半监督域自适应问题进行了有效解决，并在 Office-Home、DomainNet 和 Office-31 数据集上取得了最先进的性能。

Sep, 2022

语义分割的无监督对比域自适应

通过对比学习实现特征对齐，提出了一种跨领域适应的标签扩展方法，结果表明，我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。

Apr, 2022

AdaEmbed: 嵌入空间中的半监督领域自适应

借助未标记的数据，AdaEmbed 通过学习一个共享的嵌入空间，生成精确且统一的伪标签，从而克服了常规半监督领域适应的局限，显著提高了性能。

Jan, 2024

基于样本自我蒸馏的半监督域自适应

本研究提出了一种基于样本对的半监督领域自适应方法，该方法通过自蒸馏生成辅助特征，并通过最小化学生和辅助之间的输出差异来训练模型以减少领域之间和领域内的差异，在标准基准上实验结果表明该方法有效地减少了差异，并取得了明显的改进。

Nov, 2021

实现标记目标样本价值的两阶段半监督域自适应方法

本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将 SSDA 分解为 UDA 问题和半监督学习问题来更有效地利用目标样本，在其上提出了一种基于一致性学习的平均教师模型的方法，并表明此方法的效果优于现有方法。

Apr, 2023