MMAug, 2020

异构领域自适应的同时语义对齐网络

PDF
TL;DR本文提出了一种同时利用语义相似性和目标伪标签的异构域适应模型（SSAN），通过隐式语义相关损失和几何相似性参与的伪标签精化过程，在不同数据类型的异构域上实现有效的特征对齐和类别中心对齐，Excel 在各种异构域适应任务中。
heterogeneous domain adaptationsimultaneous semantic alignment networkcorrelation knowledgepseudo-labelscentroid alignment
发现论文，激发创造
  • 基于语义分布感知的语义分割对比自适应

    该研究提出了一种基于语义分布的对比适应算法，可以在语义分布的指导下实现像素级表示对齐，从而能够更好地解决跨域问题。经验证明，SDCA 在多个基准测试中都可以显着提高现有算法的分割准确性。

    May, 2021

  • 软传递网络实现异构领域适应

    本文提出了一种软传输网络（STN）来解决异构域适应问题，它可以联合学习一个领域共享的分类器和一个领域不变的子空间，并通过软标签策略匹配跨域的边缘和条件分布，进而避免负转移的问题。实验结果表明，该方法在图像到图像、文本到图像和文本到文本的转移任务中显著优于几种前沿方法。

    Aug, 2019

  • 领域适配的语义聚焦

    本文提出了一种基于对抗学习的语义集中方法（SCDA）用于解决领域自适应中的样本偏差和数据集标注问题，通过类别之间最大化样本预测分布的差异和最小化同一类别内不相似区域的特征差异来引导网络关注最主要的特征，SCDA 可作为一种常规方法集成到各种领域自适应方法中来进一步提高性能。

    Aug, 2021

  • 语义感知领域通用分割

    本文提出一种框架，包括两个新模块：Semantic-Aware Normalization（SAN）和 Semantic-Aware Whitening（SAW），用于域通用语义分割，该模型训练为域不变而不使用任何目标域数据，并且验证结果显示，该模型在各种 backbone 网络上均优于现有的最先进性能。

    Apr, 2022

  • 图像分类的深度子域自适应网络

    该研究提出了一种基于 Deep Subdomain Adaptation Network (DSAN) 的领域自适应方法，通过使用本地最大平均差异 (LMMD) 对不同领域的相关子域分布进行对齐，从而不需要敌对训练且收敛速度快，在对象识别和数字分类任务中均取得了显着的结果。

    Jun, 2021

  • 减轻语义级别转移：一种用于语义分割的半监督域自适应方法

    本文提出了一种半监督的方法 ASS 来处理域自适应问题，使用语义级别的对抗学习来提高全局和局部特征的分布一致性，从而更好地减轻源域和目标域之间的数据分布差异。实验结果表明，使用少量的注释样本，ASS 可以显著优于目前的无监督方法，并可以通过增加目标域的注释样本克服针对源域的过度拟合.

    Apr, 2020

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • 领域自适应语义分割的跨域分组和对齐

    本文提出一种可学习的聚类模块以及称为跨域分组和对齐的新颖域自适应框架，以解决先前方法的限制，包括多模态数据分布和类别不平衡问题。我们声称通过鼓励对聚类之间的语义一致性和正交性进行两个损失函数，解决了聚类中的域对齐问题，而且还提出一种解决类不平衡的问题的损失函数。实验证明，我们的方法在各种域适应设置中均能提高语义分割的适应性能，并超越了现有技术水平。

    Dec, 2020

  • 自适应介数聚类用于半监督域适应

    提出了一种名为 G-ABC 的新型 SSDA 方法，该方法通过使用源域和目标域的标记数据对未标记的目标数据进行语义传递，实现了跨域语义对齐，从而实现了分类域对齐。在三个标准基准数据集上进行了广泛的实验，结果表明该方法优于先前最先进的 SSDA 方法，证明了该 G-ABC 算法的优越性。

    Jan, 2024

  • 半监督异构领域自适应中的解耦与伪标签

    通过 SHeDD（Semi-supervised Heterogeneous Domain Adaptation via Disentanglement）这一端到端的神经网络框架，利用标记和未标记的来自不同数据源的数据，本研究旨在解决半监督异构领域适应（SSHDA）的挑战，在这种场景中，领域之间存在严重的分布偏差和不同的模态表达。

    Jun, 2024