该研究提出一种无监督的 Mutual Mean-Teaching (MMT) 框架,通过软标签精炼与三元组损失优化联合训练,从而在 Person Re-Identification 中实现了更好的特征表示与优秀的 unsupervised domain adaptation 性能。
Jan, 2020
基于原型的均值教师(PMT)是一种新颖的多源领域适应方法,通过使用类原型而非特定于域的子网络来保持域特定信息,并使用对比损失来对不同类别进行对齐和分离,从而减小了参数大小与源域数量的关系,降低了内存问题和可能的过拟合,并在多个具有挑战性的物体检测数据集上优于现有的多源领域适应方法。
Sep, 2023
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
提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA),采用敌对学习与度量约束将每组源和目标域映射到特定的子空间,并构造了一系列伪目标域进行训练以提高性能。此外,为提高深度神经网络的传递性,用有效的匹配规范化层代替传统批规范化层,给出理论分析和实验探究证明了该方法的有效性。
Feb, 2022
该论文提出一种基于元学习的框架来进一步增强现有领域适应算法的性能,通过在线的最短路径元学习框架改进了无监督和半监督多源领域适应技术 (DANN,MCD 和 MME),实验表明达到了多项 DA 基准的最佳效果。
Apr, 2020
该研究提出一种基于双层域混合的半监督领域自适应框架,结合数据混合方法和知识蒸馏,通过给定少量标记的数据和大量标记的源数据来减少域间差异,并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021
本文提出了一种新颖的基于协作学习的多源领域自适应框架,通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息,同时通过图像翻译使源域与目标域之间的差距减小,经实验证明,在语义分割任务中,该方法在 Cityscapes 数据集的验证集上获得 59.0%的 mIoU,显著优于所有之前的单一和多源无监督领域自适应方法。
本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架,该方法将目标域与每个单一源域配对,使用条件对抗性域自适应网络作为分支网络进行训练,并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐,通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习,该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明,ML-MSDA 方法优于比较方法,并实现了最新的性能表现。
Mar, 2020
本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet,该方法可以动态地对多个带标签源领域的知识进行转移,以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法,同时也验证了该方法的优越性。
Dec, 2018
提出一种混合不同领域的特征表示以实现更好的领域自适应性能的多目标域自适应基线方法,称为 MEnsA,通过在共享的潜在空间中使用域分类器来改进区分源域和目标域的特征表示的能力,在具有挑战性的 PointDA-10 数据集上进行实验证明了该方法相对于之前的无监督单目标域自适应和多目标域自适应方法的显着优势。
Apr, 2023