CVPRJun, 2021

视觉任务中无监督领域自适应的分类对比方法

PDF
TL;DR本文探讨了在无监督领域适配中实例对比学习的思想，并提出一种引入语义先验的新型类别对比技术 (CaCo)，用于视觉无监督领域适配，通过考虑实例对比学习作为字典查找操作，构建了一个具有语义意识的字典，其中每个目标样本基于源样本的类别先验被分配一个 (伪) 类别标签，这允许对类别加以对比的学习，同时保持域不变的特征表示， 多项视觉任务的 UDA 实验表明，CaCo 相对于最先进的方法具有更优越的性能。同时实验还证明了 CaCo 对于现有 UDA 方法是有补充的，并且可以推广到其他学习设置，例如无监督模型适应、开放式 / 部分集验证等。
发现论文，激发创造
  • 领域混淆对比学习用于无监督领域自适应

    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。

    Jul, 2022

  • 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

  • 连接，而非坍塌：解释对比学习在无监督领域适应中的应用

    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。

    Apr, 2022

  • 无监督领域适应的对比适应网络

    本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

    Jan, 2019

  • 自监督对比学习与自训练在语义分割的无监督领域自适应中的应用

    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

  • CLDA：对比学习用于半监督领域自适应

    本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

    Jun, 2021

  • 基于因果原型启发的对比适应性算法在高分辨率遥感图像的无监督领域自适应语义分割中的应用

    本文提出了一种因果原型启发的对比适应方法（CPCA）来探索不同高分辨率遥感图像领域及其语义标签之间的不变因果机制，通过因果特征分解模块将因果特征和偏差特征从源域和目标域图像中解开，然后使用因果原型对比模块学习域不变的因果特征，并引入因果干预模块对偏差特征进行干预以生成反事实无偏样本，通过强制因果特征符合可分离性、不变性和干预的原则，CPCA 能够模拟源域和目标域的因果因素，并基于因果特征在目标域上做出决策，从而提高了泛化能力。在三个跨域任务的大量实验中，CPCA 明显优于现有的最先进方法。

    Mar, 2024

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 基于分类锚点的无监督领域自适应语义分割

    该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

    Oct, 2019

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022