面部识别联邦无监督领域自适应
本文研究了联邦学习在分布式设备网络上的数据隐私和效率问题。我们提出了一种有原则的方法来解决联邦域自适应问题,旨在通过扩展对抗适应技术来对齐不同节点学习到的表征与目标节点数据分布。同时,我们设计了一个动态注意机制和利用特性解缠来增强知识转移。在几个图像和文本分类任务上进行了实证实验,并在无监督联邦域自适应设置下展示了有前途的结果。
Nov, 2019
本文提出了一种基于聚类的领域自适应方法,通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征,经过广泛的实验,证明了该方法在面部识别任务方面具有先进性能。
May, 2022
本文提出了第一个基于自我监督预训练和聚类级伪标记的无源自适应方法,通过解决面部表情识别中域偏移和数据保护问题,在 FER 的四种自适应情境下验证了其有效性,并证明其与处理 UDA 下 FER 的现有方法相当。
Oct, 2022
通过特征水平领域自适应方法,该文提供一种学习判别式视频帧表示的方法,利用大规模无标签的视频数据,使得模型可以转移从大规模标记的静态图像中获得的判别性知识。实验表明,该方法可大幅度提升视频人脸识别性能,达到最先进的准确性。
Aug, 2017
提出一种新的基于联邦学习的多目标领域自适应算法,通过对模型性能的分析,发现现有领域自适应方法在面对该问题时存在的问题,并提出一种有效的 DualAdapt 方法来解决这些问题。在图像分类和语义分割任务上的大量实验结果表明,我们的方法在客户端设备上实现高准确度,最小通信成本和所需计算资源低。
Aug, 2021
提出了一种简单但有效的联邦人脸识别框架 AdaFedFR,通过设计一种自适应的类间表示学习算法,在严格保护隐私的情况下提高泛化性能和联邦训练的效率。实验结果表明,该方法在几个常见的人脸识别基准上优于以前的方法,仅用不到 3 次通信轮次,展现出友好的通信性能和高效性。
May, 2024
本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题,使用基于元学习的领域自适应算法,利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。
Feb, 2021
通过使用联邦学习(包括有和无安全聚合器)在受监督和无监督的人脸识别系统中进行训练,我们的实验结果表明联邦学习既保护了隐私又实现了与单独模型几乎相同的性能。我们的研究工作揭示了隐私保护的人脸图像训练中的实际挑战,尤其注重隐私和准确性的平衡问题。
Mar, 2024
本文提出了三种技术方案,即集群对比学习算法(CCL)、渐进领域适应策略(PDA)和傅里叶增强(FA),以解决无监督域自适应的问题。实验证明,我们的方法在多个基准测试上都实现了显著的改进。
Aug, 2021
我们提出了一种更实用的方案,名为 Hot-Learning with Contrastive Label Disambiguation(HCLD),解决了 Universal Federated Domain Adaptation(UFDA)场景中的领域变化和类别差距问题,并通过使用各个源域的黑盒模型的单热输出来区分共享类和未知类。在三个基准测试上的广泛实验表明,与具有许多额外假设的先前方法相比,我们的 HCLD 在 UFDA 场景中以更少的假设达到了可比较的性能。
Nov, 2023