本论文提出了一种用于半监督域适应的算法 LIRR,它能同时学习不变的表示和风险,并将特征空间中的边缘和条件分布对齐,实现了目标泛化能力的有意义提高。该算法在分类和回归任务上实现了最先进的性能和显著的改进。
Oct, 2020
使用图像识别数据集作为源域和目标域之间的桥梁,通过任务蒸馏框架,在不同仿真器之间成功地传输导航策略,并在传统领域适应基准上展现出有前途的结果。
Aug, 2020
本文针对无监督域适应学习中常见的假设提出了简单反例,证明了这些假设并不足以保证域适应的成功;提出了一种基于信息理论的弱化条件,并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡;最后,通过实验验证了理论结果。
Jan, 2019
该研究介绍了一种针对目标检测的新型无监督域适应方法,通过域多样性和多域不变表示学习两个阶段来缓解像素级适应不完美和特征级适应带来的源偏差歧视。该方法在各种数据集上 mAP 平均精度方面的表现优于现有技术达到了 3%~11% 的大幅度提升。
May, 2019
该研究论文提出了一种无监督学习方法,它通过显式地从噪声数据中学习不变展示来重建清晰图像,并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当,同时比其他领域适应方法具有更快和更稳定的收敛性。
Mar, 2020
本文介绍了一种能够有效地实现为线性分类器的学习表示算法,该算法能够明确地补偿域不匹配,并在训练分类器的过程中形成从目标(测试)域到源(训练)域的线性转换。通过多类别适应的表示学习,能够在异构特征空间之间进行映射,并且可以扩展到大型数据集。在几个图像数据集上的实验结果表明,与之前的方法相比,提高了准确性并具有计算上的优势。
Jan, 2013
通过集群假设的视角,该研究提出了两个新的模型:结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应(VADA)模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师(DIRT-T)模型。广泛的实证结果表明,这两个模型的组合大大提高了数字,交通标志和 Wi-Fi 识别领域自适应基准的最新性能。
Feb, 2018
本文提出了一种基于因果关系的结构性因果模型来解决域泛化问题,并基于此提出了一种 Causality Inspired Representation Learning (CIRL)算法,该算法通过计算需满足的三个基本属性来强制表示满足因果机制的性质,进而提升了广义性能力。实验结果表明,该方法有效。
Mar, 2022
探究了一种称为 “Domain Randomization” 的技术,该技术使用非真实随机纹理来训练深度神经网络对象定位器,使得该定位器在真实环境中表现出色,并且可以应用于机器人控制中。
Mar, 2017
通过增量学习和领域不变表示,以及基于多角度知识蒸馏方法的特征级和标签级正则化,我们的研究提出了一种新型增强型 deepfake 检测模型,通过选择中心和困难样本来更新回放集,并取得了 7.01 的平均遗忘率和 85.49 的平均准确率。
Sep, 2023