Mar, 2021

分类器秘密地满足多源域自适应

PDF
TL;DR该论文提出了一种新的包括深度模型及自监督隐式对准在内的 MSDA 方法，并通过利用伪标记目标样本并在伪标记上强制执行分类器一致性来实现自适应，该方法被称为 Self-supervised Implicit Alignment (SImpAl)。通过在五个基准测试上的全面评估，展现了该方法的有效性。
multi-source domain adaptationdeep modelsself-supervised implicit alignmentpseudo-labeled target samplesclassifier agreement
发现论文，激发创造
  • 多源领域自适应的子空间识别

    提出了一种基于子空间识别理论的多源域自适应方法，它能在较少的约束条件下实现域不变和特定变量的脱钩，通过最小化域漂移对不变变量的影响来促进域适应。该方法在各种基准数据集上优于现有的多源域适应技术，凸显其在实际应用中的有效性。

    Oct, 2023

  • 发现领域解耦来进行广义多源域自适应

    本研究提出了一种多源领域适应方法 (GM-DA)，试图解决传统方法中源域与目标域之间类别不完全重叠的问题，该方法基于变分域解缠绕 (VDD) 框架，借助在线伪标签来识别未知类别的目标样本，并且在两个基准数据集上展现了该框架的有效性。

    Jul, 2022

  • 基于协作学习的多源域自适应语义分割

    本文提出了一种新颖的基于协作学习的多源领域自适应框架，通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息，同时通过图像翻译使源域与目标域之间的差距减小，经实验证明，在语义分割任务中，该方法在 Cityscapes 数据集的验证集上获得 59.0％的 mIoU，显著优于所有之前的单一和多源无监督领域自适应方法。

    Mar, 2021

  • LanDA: 语言引导的多源域自适应

    使用多模态模型和联合图像与语言嵌入空间，我们提出了一种基于最优传递理论的新型语言引导多源域适应（LanDA）方法，可以通过目标域的文本描述进行域适应，而无需任何目标域图像，并且在目标和源域都优于标准微调和集成方法。

    Jan, 2024

  • 源标签适应的半监督域自适应

    该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

    Feb, 2023

  • 多源领域自适应遇上数据集蒸馏通过数据集字典学习

    该论文探讨了机器学习中两个问题的交集：多源领域适应 (MSDA) 和数据集精炼 (DD)。通过采用之前 MSDA 领域的作品以及 DD 方法的分布匹配，在四个基准测试中进行了深入的实验，表明即使每类仅有 1 个样本，也能够获得最先进的适应性能。

    Sep, 2023

  • 基于伪目标域的多源无监督域自适应

    提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA)，采用敌对学习与度量约束将每组源和目标域映射到特定的子空间，并构造了一系列伪目标域进行训练以提高性能。此外，为提高深度神经网络的传递性，用有效的匹配规范化层代替传统批规范化层，给出理论分析和实验探究证明了该方法的有效性。

    Feb, 2022

  • 更多就是更好：多源深度域适应

    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

  • 深度学习时代的多源域适应：系统综述

    本文介绍了多源域适应的概念和相关技术方法，探讨了其在深度学习时代的发展趋势和研究方向，为该领域的研究提供借鉴和参考。

    Feb, 2020

  • 使用伪标签进行域自适应

    无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。

    Feb, 2024