CVPRMar, 2021

回归域自适应无监督关键点检测

PDF
TL;DR本文介绍了一种基于回归领域自适应（RegDA）的方法，该方法首先利用对抗回归器来最大化目标域上的差异，并训练一个特征生成器来最小化这种差异，之后通过引入空间概率分布来指导对抗回归器的学习，从而解决了高维度空间中回归器无法探测偏差样本的问题，并在不同数据集上实验得到了 8％至 11％的精度提升。
domain adaptationregressive domain adaptationunsupervised keypoint detectionadversarial regressorspatial probability distribution
发现论文，激发创造
  • 判别式标签一致性域自适应

    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

  • 正则化超图匹配的无监督领域自适应

    我们提出了一种无监督领域适应方法，该方法通过使用类正则化的超图匹配，考虑目标域中仅有的未标记数据，在标准对象识别数据集上的实验验证了我们的框架有效性。

    May, 2018

  • 基于源域松弛的图像分割领域自适应

    提出了一种基于熵最小化的，无需同时访问源域和目标域图像的领域自适应（DA）方法，基于学习到的解剖学信息作为先验知识。该方法在多种分割问题中表现出可比较的结果，只需要使用一个网络和各种派生自解剖学信息的先验知识。

    May, 2020

  • Pareto 域自适应

    该论文探讨了基于梯度的角度重新思考域自适应算法优化方案的问题，并提出了 Pareto Domain Adaptation 方法来协作优化所有训练目标，提高目标分类精度

    Dec, 2021

  • 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

  • 多源域适应回归

    多源领域自适应算法通过回归问题的两步骤流程，提供了在多个源领域利用信息进行预测的方法，其中使用了灵活的单源自适应算法和集成学习，通过多种学习范式在目标适应学习器中实现线性组合，改进了预测性能。

    Dec, 2023

  • 通过视角一致性进行三维关键点估计的无监督领域自适应

    本文提出了一种新颖的无监督领域自适应技术，用于从单个深度扫描或图像预测 3D 关键点，利用视角一致性和几何对齐等方法提高预测准确度，实验结果表明该方法胜于现有的领域自适应技术。

    Dec, 2017

  • 基于分布估计的无源领域自适应

    本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

    Apr, 2022

  • 简单有效：基于图像统计匹配的领域自适应方法

    本文提出了一种用于无监督域适应的方法，通过仅仅匹配源域和目标域的图像统计数据即可实现域适应，不需要其他额外的换架构和超参数，相比于最近的方法，在训练过程中使用更简单的流程来实现当前最先进的性能。

    May, 2020

  • 领域增强的域自适应

    本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

    Feb, 2022