Sep, 2020

不确定特征对齐下的无监督领域自适应

HTML
PDF
TL;DR本文提出了一种基于Monte-Carlo dropout的不确定性滤波和特征对齐方法（UFAL），该方法包括Uncertain Feature Loss（UFL）函数和Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。
发现论文，激发创造
  • 无监督领域自适应的渐进特征对齐

    本文提出了渐进特征对齐网络(PFAN)对无监督域自适应问题进行解决, 通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤, 使得模型能够有效地完善交叉领域的分类一致性。

    Nov, 2018

  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 通过校准不确定性进行无监督领域自适应

    本文提出了一种基于源域推广到目标域的无监督领域适应方法，该方法通过校准源域和目标域的预测不确定性（以Renyi熵度量）来实现，使用变分贝叶斯学习可靠的不确定性估计，并讨论了其理论性质并在实验中验证了其有效性。

    Jul, 2019

  • 鲁棒领域自适应：表示、权重和归纳偏差

    本文研究在无监督领域适应中，加权样本的重要性抽样策略与不变表征相互作用的理论方面，并提出了一种改进的学习算法，旨在加强归纳偏差，减轻适应过程中可能存在的标签偏移问题。

    Jun, 2020

  • UMAD: 面向领域和类别漂移的通用模型自适应

    该文提出了一种名为UMAD的通用模型适应框架，能够在不使用源数据或了解域之间类别偏移的先验知识的情况下处理open-set和open-partial-set的两种UDA场景，并通过实验证明其在数据隐私敏感型应用中具有可比较甚至更优的性能。

    Dec, 2021

  • 先验知识指导的无监督域自适应

    本文提出一种基于知识引导的无监督领域自适应（KUDA）方法，通过利用目标域的先验知识，将该先验知识应用于模型生成伪标签的改进中，从而提高自训练阶段的性能。

    Jul, 2022

  • 基于不确定性和自训练的特征对齐用于无源自监督域自适应

    本文提出了一种源自由的无监督领域自适应方法，使用预先训练的源模型和未标记的目标图像，通过数据增强和一致性目标来捕捉不确定性，并且鼓励特征生成器在决策边界外学习一致的视觉特征，以增强模型对图像扰动的鲁棒性，并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距，实验结果表明，该方法对于图像扰动具有更强的鲁棒性。

    Aug, 2022

  • 带标签偏移的条件支持对齐域自适应

    本文介绍了一种名为CASA的方法，使用条件对抗支持对齐来最小化源域和目标域的特征表示分布之间的条件对称支持差异，以提供更好的分类模型，同时提出了一种新的理论目标风险界来证明对比于现有的边缘支持对齐方法，对齐有条件的特征分布的支持更加优秀。实验结果表明CASA在不同的无监督域适配基准任务中的性能优于其他先进方法。

    May, 2023

  • 让UDA中的U有意义：无监督领域自适应的不变一致性学习

    通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

    Sep, 2023

  • 无监督领域自适应中的不确定性导向对齐

    无监督领域自适应回归(UDAR)旨在将模型从有标签的源领域适应到无标签的目标领域用于回归任务。本文通过结合来自不确定性的指导提出了一种有效的UDAR方法，该方法在预测的同时提供置信度度量并作为嵌入空间的正则化。我们在四个UDAR基准上展示了我们方法的有效性，优于现有方法。

    Jan, 2024