Apr, 2022

将任务特定的分类器重复使用作为鉴别器：无鉴别器对抗域适应

HTML
PDF
TL;DR本文提出了一种基于无判别器的对抗学习网络（DALN）的范式，其中分类器被重新利用作为鉴别器，通过统一目标实现了明确的域对准和类别区分，使DALN能够利用预测的鉴别信息进行充分的特征对其。同时，引入了核范数Wasserstein距离（NWD）作为判别准则，无需附加重量剪辑或渐变惩罚策略等要求即可满足K-Lipschitz约束条件，且与现有的UDA算法相比具有更好的性能。
发现论文，激发创造
  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为ADDA，它将判别建模、解除权重共享和GAN损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 基于Wasserstein距离的领域自适应表示学习

    本文提出了一种新的方法——Wasserstein Distance Guided Representation Learning (WDGRL)，其利用神经网络来估计源域和目标域之间的Wasserstein距离，并以对抗的方式来优化特征提取器网络，以最小化估计的Wasserstein距离，该方法在情感和图像分类自适应数据集上的实证研究表明其优于现有的领域不变表示学习方法。

    Jul, 2017

  • 无监督域自适应的最大分类器差异

    本文提出了一种无监督领域自适应的方法，利用任务特定的决策边界来解决源和目标域之间的分布问题，通过两个分类器输出的差异来检测远离源支持的目标样本，并通过生成器生成接近源支持的目标特征来最小化差异，该方法在图像分类和语义分割的几个数据集上优于其他方法。

    Dec, 2017

  • 领域对称网络用于对抗性领域自适应

    本文提出一种新的无监督域适应方法——SymNets，它是基于一种对称的分类器设计的。我们提出了一种新的对抗学习目标，其中关键设计基于两级域混淆方案。我们还提出了一种跨域训练的方案来帮助学习目标分类器。针对常用的基础网络，我们的 SymNets 在三个基准域适应数据集上取得了新的最优性能。

    Apr, 2019

  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应(DADA)的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将DADA扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 邻域和分类域适应

    提出一种促进分类域联合自适应 (CatDA) 的方法，即利用联合分类器生成对齐一致的分类预测来实现更细粒度的领域对齐，进一步将此方法用于虚拟相邻领域自适应 (VicDA) 中，以及利用目标区分性结构恢复方法来提高领域能力。该方法在多个基准数据集上实现了新的领域自适应最新技术。

    Mar, 2021

  • 样本重新标记的域鉴别器再激活在对抗性域自适应中的应用

    本文提出了一种名为可强化对抗域自适应（RADA）的有效优化策略，通过使用动态域标签使领域鉴别器重新激活，使目标域样本更加可分离并进一步推动特征对齐，在多个无监督领域自适应基准上进行的广泛实验表明了我们的RADA的有效性和优越性。

    Mar, 2021

  • 跨域梯度差异最小化用于无监督域自适应

    本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

    Jun, 2021

  • f域对抗学习：理论与算法

    本文提出了一种新的通用领域敌对框架，利用变分f-分歧的特征进行领域自适应。基于此框架，推导出了具有重要修正的新算法框架，并证明了其在自然语言和计算机视觉数据集上优于现有的基线结果。

    Jun, 2021

  • 具有类别级别梯度对齐的双判别器领域对抗神经网络

    我们提出了一种新的双判别器域对抗神经网络，即BACG，通过类级梯度对齐和证据学习理论来解决无监督域适应中的挑战，并且在四个基准数据集上进行的广泛实验和理论分析验证了算法的有效性和健壮性。

    Oct, 2023