深度视觉域自适应
本研究提供了关于计算机视觉领域中,基于深度学习的深度域适应方法的全面概述,分类不同的深度域适应情景,总结了深度域适应方法,重点分析比较了各种情况下的最先进方法,并着重强调了当前方法的潜在缺陷和未来几个方向。
Feb, 2018
本文介绍领域自适应和迁移学习的概述,涵盖不同类型的方案和历史浅层方法、深度卷积架构、超出图像分类的领域适应方法,以及将领域适应与其他机器学习解决方案相关联的讨论。
Feb, 2017
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
本文提出了一种新颖的无监督域自适应方法,通过同时优化理论上建立的误差界的三个项,迭代搜索潜在的共享特征子空间,来降低数据分布差异并增加类间距离,以有效学习目标数据的预测器。同时,还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。
Feb, 2018
本篇论文介绍了 2017 年度视觉领域自适应(Visual Domain Adaptation, VisDA)数据集及竞赛,是一种用于跨视觉领域无监督领域自适应的大型测试平台,主要包含图像分类和图像分割两个任务。该数据集是迄今为止最大的跨领域对象分类数据集,涵盖了 12 个类别,共 280,000 多张图像。同时,该数据集还包含超过 30K 图像的图像分割数据集。
Oct, 2017
在深度学习时代,由于很难获得大规模标记数据来训练先进的深度神经网络,因此将已学习的知识从有标签的源领域转移到无标签或稀疏标签的目标领域成为一种吸引人的替代方法,而多源领域适应则是在收集有不同分布的多个源的标记数据中的一个强大而实用的扩展。在本次调查中,我们首先定义了各种多源领域适应策略。接着,我们从不同的角度系统地总结和比较了现代多源领域适应方法,以及常用的数据集和一个简单的基准测试结果。最后,我们讨论了值得探索的多源领域适应的未来研究方向。
May, 2024
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果,该文对该领域的方法和应用进行了系统比较,并强调了当前方法的不足及未来研究方向。
Aug, 2022