基于能量的领域自适应主动学习
通过在无标签目标样本的训练中引入能量函数最小化目标的约束,该论文提出改进的深度自训练框架,以提高无监督域适应的性能,并在大规模图像分类和语义分割任物上进行了广泛的实验。
Aug, 2022
提出了一种积极学习的方法,通过敌对领域自适应(AADA)进行表示转移,其探索了两个相关问题之间的双重性:敌对领域对齐和重要性采样来适应跨域模型, 以及将两种方法结合在一个框架中进行领域自适应和转移学习,当源域有许多标记示例而目标域没有时,它提供了重要的改进。
Apr, 2019
本研究提出了一种基于能量的样本适应方法,通过将看不见的目标样本适应到源训练模型上,实现领域泛化分类,并通过引入分类潜变量和能量最小化等手段,有效地实现了对样本的量化表示。
Feb, 2023
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
D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.
Feb, 2022
本文提出了一种用于区域自适应的主动学习方法,通过使用三阶段的主动对抗训练神经网络(包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略,以及使用查询的目标标签重新训练阶段),该方法可以减少数据标注的工作量,对四个基准数据集进行的实证比较表明了该方法的有效性。
May, 2020
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
Divide-and-Adapt (DiaNA) is an active domain adaptation framework that utilizes active learning techniques and a customized learning strategy to accurately recognize gainful samples and handle data with large variations of domain gap.
Jul, 2023
提出了一种主动域自适应的方法,通过新的采样策略,在满足代表性、多样性和不确定性的同时,选择最能近似整个目标分布的样本,并使用这些样本进行监督学习以及匹配源域和目标域的标签分布,取得了显著的性能提升。在四个公共基准测试上,本方法在每种自适应情景下均显著优于现有方法。
Aug, 2022
本文提出 AEDA 模型,一种深度自编码器模型,旨在实现目标域异质性的半监督域自适应,并将其纳入到任何深度领域自适应架构中,以实现跨域活动学习。实验结果表明,相较于现有领域适应技术,AEDA 在异构设置下的已知和未知活动学习中均有优势。
Oct, 2022