ICCVMar, 2021

样本重新标记的域鉴别器再激活在对抗性域自适应中的应用

PDF
TL;DR本文提出了一种名为可强化对抗域自适应（RADA）的有效优化策略，通过使用动态域标签使领域鉴别器重新激活，使目标域样本更加可分离并进一步推动特征对齐，在多个无监督领域自适应基准上进行的广泛实验表明了我们的 RADA 的有效性和优越性。
unsupervised domain adaptationdomain adversarial trainingfeature extractordynamic domain labelsrada
发现论文，激发创造
  • 无监督领域自适应对抗鲁棒性

    本文提出一种通过利用 ImageNet 预训练模型中的中间表示，使得源域与目标域学习到的特征分布更加接近，从而提高无监督域适应模型在未标记数据上的对抗鲁棒性，不需要对抗干预或标签要求。

    Sep, 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

  • 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

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 基于傅里叶对抗攻击的鲁棒领域自适应

    本文提出了一种基于 Fourier 对抗攻击的鲁棒域自适应技术 (RDA)，可用于解决多个计算机视觉任务中的域自适应问题，其生成的对抗样本可以在使图像特征保持不变的情况下，减小由于域偏移带来的噪声问题，从而使模型的鲁棒性增强。

    Jun, 2021

  • 无标签域的多尺度特征对齐连续学习

    本文介绍了一种基于生成式联合判别器的方法，能够连续自适应多个未标记的目标领域且保护隐私，特别适用于具有长生命周期的医学学科领域，实现了对组织类型分类取得了最先进的效果。

    Feb, 2023

  • 能量模型在带标签伪标签约束下的自训练无监督领域自适应

    通过在无标签目标样本的训练中引入能量函数最小化目标的约束，该论文提出改进的深度自训练框架，以提高无监督域适应的性能，并在大规模图像分类和语义分割任物上进行了广泛的实验。

    Aug, 2022

  • 通过在线选择克服负迁移：远程领域自适应故障诊断

    通过在在线梯度屏蔽方法的基础上动态识别和排除与目标样本紧密相似的源样本，我们提出了一种新颖的在线选择性对抗对齐（OSAA）方法，解决了适应标签差异和源目标域之间潜在标签分布差异的问题，验证了其在实际具有严重域偏移的场景中优于现有方法的卓越性能。

    May, 2024

  • 主动对抗域自适应

    提出了一种积极学习的方法，通过敌对领域自适应（AADA）进行表示转移，其探索了两个相关问题之间的双重性：敌对领域对齐和重要性采样来适应跨域模型， 以及将两种方法结合在一个框架中进行领域自适应和转移学习，当源域有许多标记示例而目标域没有时，它提供了重要的改进。

    Apr, 2019

  • 意识到类关系的对抗域自适应

    本文提出了一种新的关系感知对抗域自适应（RADA）算法，通过使用一个单一的多类域鉴别器，强制进行领域对抗训练的同时学习 inter-class 依赖关系结构，并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐，证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。

    May, 2019