本文提出一种通过利用 ImageNet 预训练模型中的中间表示,使得源域与目标域学习到的特征分布更加接近,从而提高无监督域适应模型在未标记数据上的对抗鲁棒性,不需要对抗干预或标签要求。
Sep, 2021
通过互信息优化,本文从表示学习的角度研究鲁棒的无监督领域自适应,并设计了一种利用互信息理论的新算法,名为 MIRoUDA,以实现鲁棒性、区分性和泛化性等三个期望特性,同时提出了相应的双模型框架,大量实验结果表明我们的方法在各项评测中都明显优于现有技术。
Jun, 2024
本文提出了一种新的元自我训练流程 SRoUDA,通过自训练的范例,SRoUDA 允许直接将 AT 纳入到 UDA 中,并且,在 SRoUDA 中的元步骤进一步有助于由嘈杂的伪标签导致的误差传播的缓解。经过各种基准数据集的广泛实验表明,SRoUDA 在不损害清洁度准确性的情况下实现了显着的模型稳健性的提高。
Dec, 2022
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
本研究提出了基于深度聚类、领域对抗学习、自监督学习和样本选择策略的 AVATAR 算法,解决了复杂领域自适应任务中的领域差异和样本噪声问题,实验结果表明其在三个领域自适应基准任务上均优于现有算法。
Apr, 2023
研究了分布变化和对抗样本在机器学习模型部署中的两个主要挑战,并提出了一种新的防御框架 DART,通过独特的领域适应度及损失函数建立的一般性界限,显著提高对抗鲁棒性。
Feb, 2024
本文提出了一种基于 Fourier 对抗攻击的鲁棒域自适应技术 (RDA),可用于解决多个计算机视觉任务中的域自适应问题,其生成的对抗样本可以在使图像特征保持不变的情况下,减小由于域偏移带来的噪声问题,从而使模型的鲁棒性增强。
Jun, 2021
提出了一个两阶段训练策略来实现领域自适应的稳健性,第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力,第二阶段提出了一种新的稳健伪标签和伪边界方法,有效利用无标签目标数据生成伪标签和伪边界,实现模型的自适应,无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。
Oct, 2023
提出了一种在输出空间中采用对比损失来最大限度地增加干净图像和其对抗性示例之间的一致性的对抗性自监督 UDA 方法,名为 ASSUDA,以提高深度神经网络对敌对示例的鲁棒性和分割任务的可靠性。
May, 2021
本文提出一种基于无监督域自适应(UDA)的方法,针对城市场景的语义分割应用领域,将深度神经网络从合成数据源,适应到真实数据源上,通过引入对抗模块和自训练策略实现充分对齐两个数据分布,模块化的架构使得模型适用范围更广,实验结果表明该方法的有效性和稳健性。
Apr, 2020