AAAIDec, 2020

非监督领域自适应的双分类器确定性最大化

PDF
TL;DR本文提出了一个简单而有效的方法 —— 双分类器决定性最大化（BCDM），通过鼓励目标预测输出结果的一致性和确定性，同时以敌对方式维护预测多样性，来解决在目标领域中分类器决定性不足导致的特征区分度不足问题，实现从一个有标签的源域迁移到一个无标签的目标域的无监督领域自适应问题。
发现论文，激发创造
  • 具有类别级别梯度对齐的双判别器领域对抗神经网络

    我们提出了一种新的双判别器域对抗神经网络，即 BACG，通过类级梯度对齐和证据学习理论来解决无监督域适应中的挑战，并且在四个基准数据集上进行的广泛实验和理论分析验证了算法的有效性和健壮性。

    Oct, 2023

  • 无监督域自适应的最大分类器差异

    本文提出了一种无监督领域自适应的方法，利用任务特定的决策边界来解决源和目标域之间的分布问题，通过两个分类器输出的差异来检测远离源支持的目标样本，并通过生成器生成接近源支持的目标特征来最小化差异，该方法在图像分类和语义分割的几个数据集上优于其他方法。

    Dec, 2017

  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020

  • 跨域梯度差异最小化用于无监督域自适应

    本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

    Jun, 2021

  • 紧密但不同的领域自适应

    该论文提出了一种名称为 CDDA 的方法，通过最大平均差异度量源和目标域之间的差异，生成具有约束力的潜在特征表示，并提出标签平滑性和几何结构一致性的约束条件，进一步提高其适应领域的区分能力。

    Apr, 2017

  • 关注判别不确定性用于域自适应

    通过考虑各个区域的概率确定度并指定关注这些区域，本文提出了一种方法来解决无监督领域适应的问题，能够在各种数据集上实现业界领先水平的结果。

    Jun, 2019

  • 贝叶斯不确定性匹配在无监督域自适应中的应用

    通过对深度神经网络中的预测不确定性进行建模并通过约束标签的分布来匹配特征和标签分布，从而有效地减轻了源域和目标域数据之间的标签分布迁移，进而在三个常见的数据集上表现出优异的效果

    Jun, 2019

  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 无监督领域适应的对比式双投影器

    提出了一种基于对比双投影器（CBP）的新型无监督领域适应（UDA）方法，旨在通过提高特征提取器（FEs）来减少分类和领域适应中产生模糊特征的现有 UDA 方法，该方法称为 CBPUDA，通过对输入特征进行映射生成两个不同特征之间的 CBP，进而用对抗训练训练这两个投影器和 FEs，从而获得更精细的决策边界，以实现强大的分类性能，并通过分析所提出的损失函数的两个特性，即推导出联合预测熵的上界以及分析 CD 损失的梯度，在本文中解决了 CD 损失的缺陷，并利用了 GS 方案来应对 CD 损失的不稳定问题，通过使用 CD 损失和 GS 方案，使得特征在类内更紧凑，在类间可区分。实验结果表明，对于 UDA 和精细化 UDA 任务，CBPUDA 优于本文考虑的传统 UDA 方法。

    Aug, 2023

  • 领域引导条件扩散模型的无监督领域自适应

    通过引入类别信息和领域分类器，DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域，从而提高了转移性能。DACDM 在各种基准测试中的大量实验证明了其对现有无监督领域自适应方法性能的显著提升。

    Sep, 2023