Sep, 2020

零样本域自适应的条件耦合生成对抗网络

HTML
PDF
TL;DR本文中，我们提出了带条件的联合生成对抗网络（CoCoGAN）来解决零样本域自适应（ZSDA）问题，在没有目标域数据的情况下训练CoCoGAN以完成领域自适应。通过在相关任务（RT）和不相关任务（IRT）中采用源域数据和双域数据进行训练，CoCoGAN能够捕获两个不同任务的双域样本的联合分布，从而使其在图像分类方面优于现有的技术水平。
发现论文，激发创造
  • 耦合生成对抗网络

    本文提出了联合生成对抗网络(CoGAN)用于学习多域图像的联合分布。 与现有方法相比，CoGAN可以在不需要不同域中对应图像元组的情况下，仅通过来自边际分布的样本学习联合分布，并将其应用于许多联合分布学习任务，包括颜色和深度图像的联合分布以及具有不同属性的脸部图像的联合分布。 此外，对于域自适应和图像转换，也展示了其应用。

    Jun, 2016

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为ADDA，它将判别建模、解除权重共享和GAN损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 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

  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017

  • GAN 转移：从有限数据生成图像

    本研究探讨了利用预训练模型的知识迁移学习应用于生成式深度网络中的领域自适应，并发现该方法可以在目标数据有限时缩短收敛时间，显著提高生成图片的质量。

    May, 2018

  • 基于对抗域自适应的零样本学习生成框架

    该研究提出了一种基于领域自适应的生成模型，解决了零样本学习中类分布之间的领域偏移问题，并通过对抗性训练增强了神经网络分类器的鲁棒性。

    Jun, 2019

  • 无监督域自适应中的生成式伪标签精炼

    利用条件生成式对抗网络 (cGANs) 对其条件标签中的噪声天然具有的鲁棒性，研究并刻画了其主题和研究领域，并在无监督域适应 (UDA) 中利用这一特性。在这种情况下，一个经过训练的分类器可以用于推断出未标记的目标集上的伪标签。我们展示了 cGANs，在某种程度上可以对此类“shift noise”保持稳健性。

    Jan, 2020

  • 领域条件适应网络

    该论文提出了一种基于领域条件自适应网络（DCAN）的深度领域自适应模型，在卷积层之间引入了领域特定的通道激活机制和特征修正块，旨在解决源域和目标域数据分布的差异问题，实验结果表明，该模型在跨领域学习任务上表现优异。

    May, 2020

  • 单次生成对抗网络域自适应

    研究如何转移使用GAN训练的一个图像领域到一个新的领域，只需一个目标图像；通过使用属性适配器和属性分类器的轻量级模块，对生成器和鉴别器进行改进，从而提高合成质量和多样性，并在训练过程中约束生成领域的多样性，不仅在各种设置下带来了具有吸引力的结果，而且能够在几分钟内提供稳健的收敛。

    Nov, 2021