通过对比学习实现特征对齐,提出了一种跨领域适应的标签扩展方法,结果表明,我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。
Apr, 2022
提出了一种新颖的无监督领域自适应方法,通过像素 - 原型对比学习框架进行标记迁移,学习跨域不变且具有区分性的特征,生成动态伪标签来建立对比学习训练对,并逐渐调整原型的领域偏差来提高其性能。
Jul, 2022
本文提出了一种基于对比学习和自我训练的方法,该方法可以很好地应用于不同领域的实例进行语义分割,可以将语义类别在跨域上进行对齐,从而达到更好的结果。
May, 2021
本文介绍了一种自主学习方法的无监督域自适应技术,即 Domain Confused Contrastive Learning(DCCL),旨在通过域拼图来构建源域和目标域之间的桥梁,并在适应后保留有区分性的表示。此外,作者还探讨了在进行其他数据增强时,对比学习是否有助于 UDA。实验表明,DCCL 的表现显著优于基线。
本文提出 AdaContrast,通过自监督对比学习和在线伪标签提取相结合的方式,实现了无访问源域数据的测试时间自适应,并在主要基准测试中达到了最先进水平。
本文探索对跨域情感分析任务采用对比学习方法,提出了一种修改后的对比目标,并在同一类的句子表示之间拉近,不同类的之间推远的方法,实验证明我们的模型在跨域和多域情感分析任务中都取得了最先进的性能,同时,可视化结果展示了知识转移的有效性,并通过对抗测试验证了模型的鲁棒性。
Aug, 2022
本文提出了一种基于自监督对比正则化 (SelfReg) 的领域泛化正则化方法,使用该方法可以有效解决对比学习中负采样对性能的影响,而且还提出了一种类别特定的领域扰动层 (CDPL),使得即使只有正样本对,也能有效应用多样本混合增强技术。实验结果表明,该方法在最近的基准测试中表现出与传统技术同等的性能。
Apr, 2021
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
本文针对无监督域适应问题,提出了一种基于对比度预训练的分类器学习方法,该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射,并在基准视觉数据集上获得了验证。
本研究对自监督学习中采用对比学习方法的常见预训练任务及各种方法进行了广泛的回顾,并通过图像分类,目标检测和动作识别等多个下游任务的性能比较,探讨了当前方法的限制以及未来发展方向。
Oct, 2020