基于样本自我蒸馏的半监督域自适应
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
该论文探讨了机器学习中两个问题的交集:多源领域适应 (MSDA) 和数据集精炼 (DD)。通过采用之前 MSDA 领域的作品以及 DD 方法的分布匹配,在四个基准测试中进行了深入的实验,表明即使每类仅有 1 个样本,也能够获得最先进的适应性能。
Sep, 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
本文提出了一种基于多级原型学习的半监督域自适应框架,采用伪标签聚合和交叉域对齐损失方法,以及通过原型相似度和线性分类器提升目标特征表示的判别性学习,实现了在三个数据集上卓越的 SSDA 性能。
May, 2023
这篇论文介绍了一种新的半监督领域适应方法,称为具有领域内混合和邻域扩展的跨域集成,以解决标签空间中的标签不匹配问题,并通过利用邻域扩展进一步提高自适应模型的性能。
Jan, 2024
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019
该论文提出了一种半监督领域自适应框架(SSDA),主要通过三个方案(吸引、扰动和探索)来解决目标域中的域内差异问题,进而实现特征对齐。在多个数据集上的实验表明,该方法优于其他方法。
Jul, 2020
本研究通过引入对比损失和伪标记机制,对半监督域自适应问题进行了有效解决,并在 Office-Home、DomainNet 和 Office-31 数据集上取得了最先进的性能。
Sep, 2022
提出一种新颖的样式感知特征融合方法,通过中间辅助特征与存储在外部内存库中的标签特征进行知识传递,从而将标签丰富的源域知识转移到相关但未标记的目标域,实现无监督领域自适应。
Sep, 2022