零样本域自适应的条件耦合生成对抗网络

Sep, 2020

零样本域自适应的条件耦合生成对抗网络

Conditional Coupled Generative Adversarial Networks for Zero-Shot Domain Adaptation

Jinghua Wang, Jianmin Jiang

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。

Abstract

Machine learning models trained in one domain perform poorly in the other domains due to the existence of domain shift. domain adaptation techniques solve this problem by training transferable models from the label-rich source domain to the label-scarce target domain. Unfortunately, a

domain adaptation zero-shot learning generative adversarial networks image classification transfer learning

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

通用单次域自适应生成对抗网络

本论文提出一种新颖的框架，通过使用切片 Wasserstein 距离，固定样式，并引入辅助网络来解决风格和实体转移的广义单次适应任务，并使用变异拉普拉斯正则化来实现跨域对应关系，成功地在各种场景中展示了我们方法的有效性。

Sep, 2022

基于双层混合与对比的零样本域自适应

该论文提出了一种新的零样本领域自适应方法，通过双层混合增强和对抗学习来学习具有低任务偏差的领域不变特征，实验证明该方法在多个基准测试上取得了良好的性能。

Jun, 2024

零样本深度领域适应

该研究提出了一种基于零样本学习的深度学习领域自适应方法（ZDDA），它可以在没有相关目标域数据的情况下进行任务迁移和传感器融合，并通过多个数据集的实验验证了其有效性。

Jul, 2017

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

条件对抗领域自适应

该研究提出了条件对抗域适应的方法，通过两种新的调节策略，Multilinear 调节和 Entropy 调节，实现对不同领域的分类问题的对抗对齐，超过了五个数据集上的最新成果。

May, 2017

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

循环一致条件对抗迁移网络

本文提出一种名为 3CATN 的方法，利用条件生成对抗网络和特征翻译实现跨域知识转移，解决了当前生成对抗模型中平衡挑战的致命弱点，并在大量实验中展现了当前最先进的表现。

Sep, 2019

条件图像翻译

本文研究了一种新的有条件的图像翻译方法，并基于 GAN 和双学习处理了无成对数据的问题。实验结果表明该方法有效。

May, 2018

AlignGAN：使用有条件的生成对抗网络学习对齐跨域图像

本论文提出了一种基于条件 GAN 的方法，可以在缺少配对样本的情况下成功地对齐跨域图像，并且还提出了一种利用多个信息条件（如域信息和标签信息）进行标签传播的模型，并给出了一个用于学习该模型的两步交替训练算法。

Jul, 2017