ECCVAug, 2020

类增量领域自适应

PDF
TL;DR该研究提出了一种实用的域自适应范式 —— 增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于 CIDA 范式中的 DA 和 CI 方法。
发现论文，激发创造
  • 基于原型引导的不断适应性学习：应用于类增量无监督领域迁移

    本文提出一种名为 ProCA 的原型引导的连续适应方法，解决了具有挑战性的 Class-Incremental Unsupervised Domain Adaptation (CI-UDA) 问题，该问题包括标注源域包含所有类，但是未标注目标域逐步增加类的情况。通过标签原型识别和基于原型的对齐和回放两种策略，ProCA 能够有效地将源模型适应到这个增量式目标领域中。

    Jul, 2022

  • DA-CIL: 领域自适应，增量式的三维物体检测

    本文提出了一种基于领域自适应的增量式学习方法，即 DA-CIL，通过多个领域的数据增强和知识蒸馏来提高在不同领域下的深度学习三维物体检测的准确性和泛化性能。实验证明，DA-CIL 在领域自适应增量学习场景下具有较好的性能。

    Dec, 2022

  • centroIDA: 基于累积类中心的跨领域类差异最小化方法用于不平衡领域自适应

    本文提出了一种基于积累类中心的交叉领域类别差异最小化方法（centroIDA），通过类别基于的重采样策略和迭代类中心对齐，以及类别特征对齐来优化特征表示，解决了不平衡领域自适应问题（IDA）。实验证明，该方法在 IDA 问题上的性能优于其他最先进方法，尤其是在标签分布偏移程度增加时。

    Aug, 2023

  • 深入研究连续领域自适应

    本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在 CDA 问题中实现了最优性能。

    Aug, 2022

  • 使用平滑和校准的逐步增量领域自适应，用于外科报告生成

    提出了一种基于多层变压器的模型的分类增量域自适应（CIDA）方法，用于在机器人手术过程中生成手术报告，并对其进行了实证评估。

    Jul, 2021

  • DiffClass: 基于扩散的类增量学习

    我们提出了一种新的无样本增量学习方法，通过采用多分布匹配扩散模型来统一训练数据的质量，弥合不同域之间的差距，并通过选择性合成图像增强来扩展训练数据的分布，从而增强模型的可塑性和最终组件的性能，在增量训练期间提升模型的稳定性，实验证明这种方法优于之前的无样本增量学习方法并达到了最先进的性能。

    Mar, 2024

  • CLDA：对比学习用于半监督领域自适应

    本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

    Jun, 2021

  • 高效推断的动态领域自适应

    本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

    Mar, 2021

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018

  • 无监督域适应中 DIRT-T 方法的应用

    通过集群假设的视角，该研究提出了两个新的模型：结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应（VADA）模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师（DIRT-T）模型。广泛的实证结果表明，这两个模型的组合大大提高了数字，交通标志和 Wi-Fi 识别领域自适应基准的最新性能。

    Feb, 2018