基于标准化的动态无监督域自适应

CVPRDec, 2021

基于标准化的动态无监督域自适应

The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization

M. Jehanzeb Mirza, Jakub Micorek, Horst Possegger, Horst Bischof

TL;DR本文提出了一种名为动态无监督适应 (Dynamic Unsupervised Adaptation) 的方法，通过持续适应批规范化层的统计数据，可以在只有一小部分无标签数据的情况下，对一个已经训练好的模型进行继续适应，并取得与强基线相当的性能表现，尤其适应于具有数据稀缺或需要不断适应的情况，例如在困难的天气条件下的自动驾驶对象识别任务。

Abstract

domain adaptation is crucial to adapt a learned model to new scenarios, such as domain shifts or changing data distributions. Current approaches usually require a large amount of labeled or unlabeled data from the shifted domain. This can be a hurdle in fields which require continuous

domain adaptation dynamic unsupervised adaptation batch normalization distribution shifts object recognition

发现论文，激发创造

针对特定领域的批量归一化在无监督领域适应中的应用

提出了一种基于领域特定批量归一化的深度神经网络的新型无监督领域自适应框架，其中包括估计目标领域示例的伪标签和使用多任务分类损失进行源和目标域的学习，实现了多源领域自适应场景的全面优化。

May, 2019

深度无监督域自适应：近期进展和展望综述

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

无监督批归一化适应（UBNA）：一种域自适应方法，用于语义分割而不使用源域表示

本文提出一种新颖的无监督归一化层自适应方法 (Unsupervised BatchNorm Adaptation, UBNA)，该方法通过部分适应归一化层统计来将给定的预训练模型适应到看不见的目标领域，无需使用来自源领域的任何表示 (既没有数据也没有网络)，并且可以以在线方式或者在使用目标领域中的少量未标记图像的情况下，以几次样本的方式进行。通过评估利用标准的无监督领域适应基准的语义分割，我们展示了这比没有适应和使用仅从目标域中获得的统计数据的基线方法优越，并且与标准的无监督领域适应方法相比，我们报告了性能和使用源领域表示之间的权衡。

Nov, 2020

简化版神经网络无监督域自适应

本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

May, 2019

一种面向域不可知的无监督对抗域自适应规范化层

我们提出了一种适用于语义场景分割领域的无监督领域自适应规范化层，通过引入 Domain Agnostic Normalization 层，我们的方法在 GTA5 和 Cityscapes 数据集上均优于现有的最先进技术，并且还在 Apolloscape 和 Mapillary 上展现出了性能的提高。

Sep, 2018

特征规范自适应方法：适用于无监督域自适应的更大规范更易迁移

通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

Nov, 2018

领域增强的域自适应

本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

Feb, 2022

无监督领域适应中的领域自适应扩散

提出一种新颖的领域自适应扩散（DAD）模块和互学习策略（MLS），通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习，成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力，从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。

Aug, 2023

基于内部表示的在线连续域适应语义图像分割

本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

Jan, 2024

不确定特征对齐下的无监督领域自适应

本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法（UFAL），该方法包括 Uncertain Feature Loss（UFL）函数和 Uncertainty-Based Filtering（UBF）方法，能够有效解决无监督域自适应问题，达到了多个数据集上最先进的结果。

Sep, 2020