AAAIJan, 2022

GearNet: 逐步双向学习的弱监督领域自适应

PDF
TL;DR本文提出了 GearNet，一个利用双向关系的通用范例，用于解决仅具有有噪标签源域数据的弱监督域自适应问题，并通过不对称 Kullback-Leibler 损失来选择性地匹配两个模型在同一领域中的预测，从而实现了隐式标签噪声消除，并利用源域和目标域之间的相关性，实现了现有 WSDL 方法性能的大幅提升。
weakly supervised domain adaptationbilateral relationshipsgearnetasymmetrical kullback-leibler lossperformance improvement
发现论文，激发创造
  • 渐进领域适应：理论与算法

    我们提出了一种算法框架 GOAT，可在数据相关的方式下生成中间领域，以改进标准的逐渐领域自适应（GDA）的性能，显著扩大 GDA 的实际应用场景。

    Oct, 2023

  • 双域协作的弱监督开放集域自适应

    在弱监督开放域自适应中，使用 CDA 的知识转移方法能够双向协调地分类未标记数据和识别异常点，并在应用于 Person reidentification 和 Office 基准时达到了最先进的性能。

    Apr, 2019

  • 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

  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020

  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 逐步扩展源领域的无监督领域自适应

    通过渐进性的源领域扩展算法，将目标数据集作为伪源样本，从而通过多次重新初始化网络权重的训练，提取先前运行得出的知识，促进领域之间的对齐，改善无监督领域适应的准确性。

    Nov, 2023

  • 无监督像素级域自适应生成对抗网络

    本文提出了一种基于生成对抗网络的方法，通过在像素空间中学习一种转换方法，将源域图像适应为与目标域相同的样子，以解决渲染图像训练模型泛化性不强的问题。该方法不仅可以生成逼真的样本，而且在许多无监督域适应场景中均优于现有技术，并证明了适应过程对于训练期间未被观察到的物体类别的泛化性。

    Dec, 2016

  • 无监督领域自适应的动态加权学习

    本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

    Mar, 2021

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 自适应域网络

    提出了一种自适应网络方法，通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题，本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进，验证了方法的可行性并得到了广泛应用

    Jul, 2020