开放集视频领域自适应的条件极值理论
本文提出了一种新的、针对视频语义分割的无监督域自适应方法,通过视频对抗训练和视频自我训练等网络,在实验中取得了优异的成绩,表明这一方法可以有效地将模拟数据转移到实际场景中,缓解视频领域对数据的需求。
Jul, 2021
本文针对无监督视频领域自适应这一实用但具有挑战性的任务,首次从分离视点入手,对相关领域信息和时空语义信息进行数据转换,提出了一种 TranSVAE 框架并设计了多个目标函数,经强大的实验验证,相比几种现有技术,TranSVAE 具有更大的有效性和优越性。
Aug, 2022
该研究提出了一种利用对抗训练的开放式域自适应方法,其中分类器被训练用于在源与目标样本之间建立边界,而生成器被训练用于使目标样本远离边界,从而摆脱未知的目标样本,该方法在领域适应设置中得到了广泛的评估,并在大多数设置中优于其他方法。
Apr, 2018
我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架,以自动检测目标数据中出现的新类别并将其丢弃,从而在开放域适应中显著优于现有技术。
May, 2018
无监督域自适应对标记数据集域与无标记数据集域之间的知识转移非常有效,开放集域自适应解决了目标域中可能存在的未知类别问题,这项工作探索了使用 CLIP 来应用于开放集域自适应的通用方法,并通过熵优化策略提高了模型性能,提供了在多个基准测试上最新的结果,证明了其在解决目标域适应问题中的有效性。
Jul, 2023
本文提供了第一篇研究开放领域自适应的学习界限,并提出了一种基于分布对齐的新型无监督算法,该算法旨在正则化开放集差异界限,实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。
Jul, 2019
通过集群假设的视角,该研究提出了两个新的模型:结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应(VADA)模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师(DIRT-T)模型。广泛的实证结果表明,这两个模型的组合大大提高了数字,交通标志和 Wi-Fi 识别领域自适应基准的最新性能。
Feb, 2018
使用自主训练、伪标签、微调和师生框架等方法,这篇论文提出了解决视频领域适应性问题的方法,以在没有源数据的情况下实现源无关自适应,并取得了领先的实验结果。
Nov, 2023
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020