Mar, 2021

跨领域自监督原型学习用于少样本无监督领域适应

HTML
PDF
TL;DR本文提出了一种端到端的Prototypical Cross-domain Self-Supervised Learning (PCS)框架，通过在共享嵌入空间中编码和对齐语义结构，不仅执行跨域低级特征对齐，而且捕捉数据的类别间语义结构。与最先进的方法相比，PCS在FUDA上在不同域对之间的平均分类精度分别提高了10.5％，3.5％，9.0％和13.2％。
发现论文，激发创造
  • 自我监督下的无监督领域自适应

    本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

    Sep, 2019

  • 少量源标签域自适应交叉领域自监督学习

    本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法，即交叉领域自监督学习方法，它能够有效地学习既具有领域不变性又具有类别判别性的特征表示，它通过自监督学习和跨领域特征匹配实现跨域知识转移，并在三个标准基准数据集上实现了显著的性能提升。

    Mar, 2020

  • 基于原型的标准化输出调节器的对抗域适应

    本研究提出了牵扯到无监督领域自适应的条件对抗训练算法。实验证明基于我们提出的规范化输出的条件方法能够成功地将多模态结构进行对齐，甚至能够超越现有的领域对抗训练方法。同时，将基于原型的条件与规范化输出结合使用可以显著改善适应性性能。

    Mar, 2020

  • 跨域对比学习用于无监督域自适应

    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

  • 基于图像到类别稀疏相似性编码的少样本无监督域自适应

    本文研究了一种称为few-shot unsupervised domain adaptation (FS-UDA)的有价值设置，并提出了一种基于本地描述符的高效方法来提高图像分类和域适应的性能

    Aug, 2021

  • TACS: 基于分类适应的跨领域语义分割

    提出了更普适的交叉领域语义分割问题（TACS），该问题允许两个域之间的标签存在不一致性，并引入一种同时解决图像级和标签级适应性的方法，即采用双边混合采样策略增强目标域并使用标签重标记方法统一标签空间，同时提供一种基于对比学习的不确定性校正方法以减少域差异。大量实验结果表明该方法优于现有最优解，且能够适应目标分类学。

    Sep, 2021

  • 兼顾两种世界：面向领域的Transformer用于无监督领域自适应

    提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 2022

  • 高层语义特征在少样本无监督领域适应中的重要性

    本文提出了一种新的针对少样本无监督域自适应（FS-UDA）的任务特定语义特征学习方法（TSECS），以提高图像分类的效果，包括跨域自我训练策略和最小化源和目标域之间高级特征分布的KL散度。在DomainNet数据集上的实验结果表明，该方法在FS-UDA领域取得了明显的性能优势（即10%）。

    Jan, 2023

  • 基于原型多层学习的半监督域自适应

    本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的SSDA性能。

    May, 2023

  • 基于实例加权的无监督领域自适应的统一框架

    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