通过学习跨领域桥梁实现无监督领域泛化

Dec, 2021

通过学习跨领域桥梁实现无监督领域泛化

Unsupervised Domain Generalization by Learning a Bridge Across Domains

Sivan Harary, Eli Schwartz, Assaf Arbelle, Peter Staar, Shady Abu-Hussein...

TL;DR本文提出了一种新的无监督领域泛化方法，通过利用自监督学习的 Bridge Across Domains 辅助桥接，从多个训练领域学习语义保留的图像到图像映射，使得各个领域能够在语义上对齐，包括在多领域数据集上无监督泛化到看不见的领域和类别等多个任务方面都取得了显著进展。

Abstract

The ability to generalize learned representations across significantly different visual domains, such as between real photos, clipart, paintings, and sketches, is a fundamental capacity of the human visual system. In this paper, different from most cross-domain works that utilize some (or full) source domain supervision, we approach a relatively new and very

unsupervised domain generalization bridge across domains self-supervised learning semantics preserving visual mappings multi-domain datasets

发现论文，激发创造

无监督域泛化

本研究旨在探索如何通过无监督学习帮助深度模型跨域泛化。通过预训练无标签数据，DARLING 方法可以从根本上改善有限标记数据的不足，增强模型的泛化能力。

Jul, 2021

BEV-DG: 基于鸟瞰图的跨模态学习用于 3D 语义分割领域泛化

跨模态无监督领域自适应旨在利用二维 - 三维数据的互补性来克服新领域中缺乏注解的问题。本研究提出了基于鸟瞰图的跨模态学习方法，用于三维语义分割的领域泛化。通过鸟瞰图下的交叉模态学习，优化了与领域无关的表示建模，同时提出了鸟瞰图驱动的领域对比学习方法来建模领域无关的表示。在三个三维数据集上，BEV-DG 在所有设置中明显优于现有方法，差距显著。

Aug, 2023

FixBi: 跨领域空间的无监督领域自适应

介绍了一种针对领域差异性大的无监督域自适应方法，包括使用固定比例的混合增强多个中间域，训练源主导模型和目标主导模型，使用置信度学习方法逐渐实现领域知识的转移。

Nov, 2020

基于数据中心化方法的无监督领域泛化：来自网络规模多模态数据的检索

该研究论文探讨了领域泛化和无监督领域泛化问题，提出了一种在多模态场景下构建数据集的新方法，并在不同的基准测试上与其他方法进行了比较，取得了较高的准确性。

Feb, 2024

克服跨领域数据不平衡的半监督领域泛化

本文介绍了一种名为 ProUD 的新算法，通过领域感知原型以及标记和未标记领域的不确定性自适应混合，有效地学习领域不变特征，解决了领域之间数据不平等的问题，并在三个不同的基准数据集上进行的实验证明了 ProUD 的有效性，胜过所有基线模型，包括单领域泛化和半监督学习。

Mar, 2024

逐渐消失的原型网络在无监督领域适应中的差距

我们提出了一种高效的无监督领域自适应框架 (GVG-PN)，通过全局和局部角度实现了转移学习，以解决无监督领域自适应模型在对齐过程中分布塌缩的问题，并且能够清晰地胜过目前最先进的模型。

May, 2024

领域无关的先验知识在语义分割中的迁移

本研究通过在源域和目标域约束特征，提出一种简单高效的无监督域自适应方法，即使用无领域先验 (DAP) 正则化交叉域表示学习，这种方法在将综合数据转移到真实数据的标准评估协议中，表现出优秀的语义分割准确性，对于提高模型的分类表现具有指导意义。

Apr, 2022

基于类平衡自训练的语义分割领域自适应

本文提出了一种基于迭代自训练的无监督域自适应框架，在自训练的基础上提出了一种新的类平衡自训练框架，并引入了空间先验来改善生成的标签。综合实验表明，所提出的方法在多个主要 UDA 设置下均实现了最先进的语义分割性能。

Oct, 2018

无监督连续领域漂移学习中的互补域适应和泛化

本文提出了一种模型无关的、能够将适应和泛化结合起来的学习方法 CoDAG，主要解决无监督连续域漂移学习的三个问题，即适应当前域、泛化到看不见的域，以及防止遗忘先前看到的域，并在多个基准数据集上展示了其有效性和鲁棒性。

Mar, 2023

一种新的双向无监督域自适应分割框架

本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应（BiUDA）框架，来提高医疗图像分析中深度学习模型在不同领域间迁移性能，实验结果显示该框架优于当前先进的方法。

Aug, 2021