MMJul, 2020

对抗式二分图学习用于视频领域自适应

PDF
TL;DR本文提出一种跨域学习的视频分类器，通过 Adversarial Bipartite Graph 模型学习源域与目标域之间的交互，增强模型的泛化能力，并在半监督学习中扩展了该模型，实验结果表明该方法在视频识别任务上优于当前最佳方法。
domain adaptationvideo recognitionadversarial bipartite graphsemi-supervised learningfeature transferability
发现论文，激发创造
  • 具有类别级别梯度对齐的双判别器领域对抗神经网络

    我们提出了一种新的双判别器域对抗神经网络，即 BACG，通过类级梯度对齐和证据学习理论来解决无监督域适应中的挑战，并且在四个基准数据集上进行的广泛实验和理论分析验证了算法的有效性和健壮性。

    Oct, 2023

  • AdaGraph: 通过图像统一预测和持续领域自适应

    本文研究领域适应和泛化中的预测领域适应的问题，提出了一种能够通过图形利用辅助域中信息的深度学习架构，同时提出了一种简单有效的策略，能够在测试时利用流入的目标数据进行连续的领域适应，并在三个基准数据库上进行了实验证明了我们方法的价值。

    Mar, 2019

  • 域自适应图分类

    通过双重对抗学习的方法，本文提出了 Dual Adversarial Graph Representation Learning（DAGRL）来探索图拓扑结构，并且减少域间差异，实验证明了该方法的有效性。

    Dec, 2023

  • 图关系领域自适应

    本文提出一种利用域图编码域相邻度的方法，将域统一 alignment 放松，以灵活的方式进行域对齐，并基于图结构推广现有的对抗学习框架，成功地将域信息自然地纳入域自适应方法，提高了现有域自适应方法在综合和真实数据集上的效果。

    Feb, 2022

  • 面部表情跨领域识别的对抗性图表示适应

    本文提出了一种名为 AGRA 的新颖的敌对图表示适应框架，将图表示传播与敌对学习结合起来，实现跨域整体 - 局部特征共适应，并探索它们的相互作用，使 AGRA 框架能够自适应地学习细粒度的不变特征，从而促进跨域表情识别。

    Aug, 2020

  • 通过图卷积的对抗领域自适应实现图传输学习

    本文研究跨网络节点分类问题，提出一种基于对抗领域自适应和图卷积的图传输学习框架 AdaGCN 以在标签数据不足的情况下，从部分标记的源网络中利用标记信息辅助完全未标记或只有部分标记的目标网络节点分类，并在真实数据集上进行了大量实验评估，并验证了 AdaGCN 在标签率低和源目标领域差异显著的情况下都能成功传输类信息。

    Sep, 2019

  • 从源到目标再到源：对称双向自适应 GAN

    本研究提出了一种对称映射的生成对抗网络用于不同领域的图像之间进行双向的图像变换，并结合目标自我标记和新的一致性分类损失来优化生成器的输出，实验表明该方法能超越前人在四个基准数据集中无监督领域适应方面的最新研究进展。

    May, 2017

  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020

  • 图传输学习中的半监督领域自适应

    半监督图领域自适应（SGDA）是一种用于解决具有拓扑结构和属性的跨域图之间知识迁移问题的方法，它通过添加自适应的偏移参数和伪标签，以处理来自标注丰富源图到未标注目标图的领域转移和标签稀缺的挑战。

    Sep, 2023

  • 领域自适应回归对抗双重回归网络

    本文提出了一种名为 Adversarial Bi-Regressor Network (ABRNet) 的方法，旨在通过采用对抗训练机制和领域特定的数据增强模块，帮助解决领域自适应回归（DAR）问题，实现在室内（Wi-Fi）定位等特定任务中学习跨领域回归模型的目的。

    Sep, 2022