噪声普适领域自适应的发散优化

CVPRApr, 2021

Divergence Optimization for Noisy Universal Domain Adaptation

Qing Yu, Atsushi Hashimoto, Yoshitaka Ushiku

TL;DR本文提出了一种名为 Noisy UniDA 的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

Abstract

universal domain adaptation (UniDA) has been proposed to transfer knowledge learned from a label-rich source domain to a label-scarce target domain without any constraints on the label sets. In practice, however, it is difficult to obtain a large amount of perfectly clean labeled data

universal domain adaptation noisy unida convolutional neural network unknown class distribution domain alignment

发现论文，激发创造

通过发散最优化实现视觉识别的噪声通用领域自适应

本文提出了一个名为 “不清晰统一域适应” 的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域 / 目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

Apr, 2023

自然语言处理中对分布偏移的稳健处理的普适领域自适应

部署机器学习系统到未知领域时，需要它们能够有效利用先前的知识，同时对异常输入发出警报。本文提出了一个全面的自然语言基准，以验证模型的普适性和鲁棒性，并观察到原本设计用于图像输入的 UniDA 方法可以有效地迁移到自然语言领域，并强调了适应难度对模型性能的影响。

Oct, 2023

OVANet: 一对多网络用于通用领域自适应

本文介绍一种使用最小类间距离阈值的通用领域适应（UNDA）方法，该方法使用源样本学习该阈值并将其适应于目标领域，同时训练一种基于一对所有分类器的学习方法。

Apr, 2021

黑盒源模型的无监督领域自适应

本篇论文研究了源领域无标签数据的黑盒非监督域适应 (B$^2$UDA) 问题，在此基础上提出了一种名为 Iterative Learning with Noisy Labels (IterLNL) 的简单有效方法，通过黑盒模型作为噪声标签工具进行噪声标注和学习，迭代解决该问题。实验表明，无需源数据和源模型，IterLNL 的表现可与传统有标签源数据的 UDA 方法相媲美。

Jan, 2021

联合渐进式知识蒸馏和无监督领域自适应

本研究提出了一种新方法，通过域自适应和无监督知识蒸馏，联合优化卷积神经网络，实现压缩模型并适应于特定目标领域，结果表明该方法在实现较高准确度的同时，比现有的压缩和域自适应技术具有相当或更低的时间复杂度，在实际应用中有较好的应用前景。

May, 2020

简化版神经网络无监督域自适应

本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

May, 2019

MLNet: 具有邻域不变性的互学习网络用于通用域适应

我们提出了一个新颖的具有邻域不变性的相互学习网络方法（MLNet），通过自适应邻居选择和置信度引导的不变性特征学习来减少目标域内的内部变化，通过交叉领域混杂方案进行更好的未知类别识别，互学习闭合集和开放集分类器以弥补已知类别错误的识别。在三个公开基准测试中，广泛的实验证明我们的方法在大多数情况下均取得最佳结果，并且在 UniDA 的四个设置中显著优于基线。

Dec, 2023

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

目标检测中考虑不确定性的无监督域自适应

通过引入条件对抗学习，基于不确定性度量的领域自适应网络 (UaDAN) 能够适应性地分别对齐良好对齐和不良对齐的样本，在图像级别和实例级别逐步实现吸收知识，显著优于现有方法。

Feb, 2021

无监督深度域自适应中的潜在域推断

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