Jan, 2022

多源交叉领域分类中基于领域特定分布和分类器的对齐

HTML
PDF
TL;DR本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。
发现论文，激发创造
  • 无监督域自适应的共同正则化对齐

    本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

    Nov, 2018

  • 无监督领域自适应的渐进特征对齐

    本文提出了渐进特征对齐网络(PFAN)对无监督域自适应问题进行解决, 通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤, 使得模型能够有效地完善交叉领域的分类一致性。

    Nov, 2018

  • 多源域自适应的时刻匹配

    本文提出并介绍了一种基于Moment Matching的多源领域适应方法(M3SDA)。借助我们构建的数据集DomainNet，该方法可以动态地对多个带标签源领域的知识进行转移，以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法，同时也验证了该方法的优越性。

    Dec, 2018

  • 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

  • 无监督深度域自适应中的潜在域推断

    本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

    Mar, 2021

  • 兼顾两种世界：面向领域的Transformer用于无监督领域自适应

    提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 2022

  • 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

  • 主动多域适应的动态域间差异调整

    多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决MUDA方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。

    Jul, 2023

  • 让UDA中的U有意义：无监督领域自适应的不变一致性学习

    通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

    Sep, 2023

  • 无源无监督领域自适应中的关键设计选择：一项深入实证分析

    通过综合基准评估方法，本研究针对图像分类中的无源无监督领域自适应（SF-UDA）提供了一个全面的基准框架，旨在实现对SF-UDA方法中多个关键设计因素之间复杂关系的严格经验理解，并对多种SF-UDA技术进行了实证研究，评估它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构下的适用性，强调了主干架构和预训练数据集选择对SF-UDA性能的重要性。

    Feb, 2024