针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法,我们全面研究了四种不同的无监督域自适应设置,包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应,其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概率,我们提出了一种名为无监督域自适应学习实例加权(LIWUDA)的新方法,通过构建加权网络、设计权重最优传输(WOT)和小批量实例的分隔与对齐(SA)丢失来解决这些挑战。通过实验评估,验证了提出的 LIWUDA 方法的有效性。
Dec, 2023
该论文提出了一种在无监督领域适应的情况下,采用自我监督学习的对比方法以减少培训和测试集之间的领域差异,实现了简单而有效的领域对齐框架 CDCL,并使用伪标签进行评估, 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。
Jun, 2021
该论文提出了一种通过梯度的类权重估计来动态调整无监督领域自适应学习损失函数的类别平衡策略,名为基于梯度的类权重学习(GBW),在密集预测视觉任务中取得有效结果,尤其对于语义和全景分割任务能够提高低表征类的召回率。
Jul, 2024
本论文提出了一种新的基于样本权重学习的无监督领域自适应方法,称为 SWL-Adapt,用于解决新用户的穿戴式人体活动识别性能下降的问题,并在三个公共数据集上进行了广泛的实验,结果显示 SWL-Adapt 在跨用户的 WHAR 任务中表现优异,平均准确度和宏 F1 分数分别达到了 3.1%和 5.3%的最佳基线以上。
Nov, 2022
在计算机视觉中,本文提出 Weight-based Mask Network (WEMNet) 方法,采用 Domain Ignore Module (DIM) 和 Semantic Enhancement Module (SEM) 来解决传统无监督域适应 (UDA) 方法存在的问题,通过权重进行特征提取和分类,实现对前景特征的重点关注,该方法在经典 UDA 数据集上实现了更高的准确性。
Apr, 2023
本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法(UFAL),该方法包括 Uncertain Feature Loss(UFL)函数和 Uncertainty-Based Filtering(UBF)方法,能够有效解决无监督域自适应问题,达到了多个数据集上最先进的结果。
Sep, 2020
本文提出了一种新的深度学习架构,通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题,在公共基准测试中表现优于现有的方法。
Mar, 2021
本文提出了一种通过强化学习进行的无监督领域自适应方法,该方法联合利用了特征变体和跨领域的不平衡标签,实验表明这种方法可以成功地在不平衡的文本分类数据上适应文本分类器。
May, 2022
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
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