CLDA:对比学习用于半监督领域自适应
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
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
本研究探讨了医学图像分割中相对较少研究的半监督域适应方法,通过使用自我学习的预训练编码器以及像素级特征一致性约束,提出了一种两阶段训练过程,并实验证明该方法在两个域适应图像分割任务中优于其他方法。
Jul, 2023
本文提出了一种名为 CLUDA 的新颖的时序数据无监督领域适应框架,旨在使用对比学习框架来学习多变量时间序列的语境表示,并通过自定义最近邻对比学习来捕获源域和目标域之间的上下文表示变化,从而实现了在时间序列领域中学习域不变上下文表示的方法,并可用于对多种时间序列数据集进行评估以证明其有效性和卓越性能。
Jun, 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
提出一种新的框架 CALDA,将对比学习和对抗学习的原则相结合,用于多源自适应学习,特别是时间序列数据。与之前的方法不同,其中 CALDA 还利用跨源标签信息,通过对比学习重新塑造空间,推动相同标签的示例彼此靠近,将不同标签的示例分开。实现结果表明,使用交叉源信息使得 CALDA 在时间序列和对比方法方面的表现都有所提高。当存在噪声时,弱监督进一步提高了性能,允许 CALDA 提供可推广的 MS-UDA 策略。
Sep, 2021
本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将 SSDA 分解为 UDA 问题和半监督学习问题来更有效地利用目标样本,在其上提出了一种基于一致性学习的平均教师模型的方法,并表明此方法的效果优于现有方法。
Apr, 2023
本文介绍了一种新的半监督领域适应框架,该框架结合了跨域混合和内域混合,实现了更好地利用目标域信息,并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。
Aug, 2023
该研究提出一种基于双层域混合的半监督领域自适应框架,结合数据混合方法和知识蒸馏,通过给定少量标记的数据和大量标记的源数据来减少域间差异,并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021