Jun, 2021

视觉任务中无监督领域自适应的分类对比方法

HTML
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
  • 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

  • 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

  • 视觉分类的无监督域扩展

    本文提出一种新的任务，称为无监督域扩展（UDE），在此任务中，我们扩展了无监督域自适应（UDA）方法，并引入知识蒸馏域扩展（KDDE）作为UDE任务的一般方法。我们的研究表明，KDDE比四个竞争基线更优秀，同时在源域和目标域上保持高性能。

    Apr, 2021

  • 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

  • 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

  • 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

  • 模型适应：无源数据对比学习的无监督域自适应

    本研究提出了一种无监督模型自适应的历史对比学习技术，通过历史模型的假设来弥补源数据中的缺失，从而实现将源训练模型适应到目标分布的无监督域适应。实验结果表明，该方法在各种视觉任务和设置下一致优于现有技术。

    Oct, 2021

  • 视觉域适应的可转移对比学习

    本文提出了一种自我监督学习方法，即可转移对比学习（TCL），其将SSL和所需的跨域可转移性紧密地联系起来，并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚

    Dec, 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

  • 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