面部反欺诈的自领域适应
本文提出了一种基于生成领域适应的人脸防欺骗方法,利用图像翻译的方式将目标数据转换到源域风格,再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。
Jul, 2022
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法,并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能,并显示出与在线适应的兼容性。
Aug, 2021
通过设计对抗生成损失,在不定义域的情况下,通过自监督域无关领域自适应方法(SS (DA) 2)来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。
Sep, 2023
通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议,作者提出了两种方法来解决领域泛化挑战,并在四个跨领域基准数据集上进行了大量实验。实验结果表明,所提出的模型在 DG 方面优于当前最先进的方法。
Dec, 2018
本文提出了一种基于相关性感知的对抗式 DA 和 DG 框架,将源数据和目标数据的特征最小化,通过关联对齐模块和对抗学习来实现更加领域无关的模型,并在基准数据集上进行的实验证明了我们提出的方法的最新效果得到了改善。
Nov, 2019
本论文提出了基于领域自适应的方法,将无监督训练样本中的领域信息作为辅助信息,采用学习的鉴别性领域嵌入构建领域自适应模型,用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能,并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC,相对于现有的方法,该基于领域自适应的方法在该数据集上实现了显着的优化。
Mar, 2021
提出了一种自适应网络方法,通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题,本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进,验证了方法的可行性并得到了广泛应用
Jul, 2020
本文提出了一种用于人脸反欺诈的领域对抗攻击方法,通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐;此外,结合领域对抗攻击与双教师知识蒸馏,开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和与最先进方法的比较结果验证了我们提出方法的优势。
Jan, 2024
本文提出了一种新的自解耦框架 (SAD) 以实现特定领域的适应。使用一个领域关键字创建器和自对抗正则化器,将潜在表示分解为特定领域和不变领域特征,从而减缓了领域内差距,并取得了在目标检测和语义分割等领域中超越现有最先进方法的一致改进。
Aug, 2021