面向在线领域自适应目标检测
本研究提出一种在线无监督域自适应算法,通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离,促进两个领域之间的共享领域无关潜在特征空间,从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求,我们通过一个合适的替代分布(如高斯混合模型)来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法,并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。
Jan, 2024
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
本文提出一种新的无监督领域自适应模型,通过像素级和特征级变换相结合解决了自主驾驶中更复杂的目标检测问题,同时引入了生成对抗网络和循环一致性损失以及区域提案特征对抗训练等方法,通过实验证明了本方法的鲁棒性和优越性。
Sep, 2018
无监督领域自适应在目标检测中发挥重要作用,该论文提出了一种新颖而有效的四步骤无监督领域自适应方法,利用自我监督学习同时训练源数据和目标数据,并在目标图像中识别具有最高置信度的检测区域作为伪标签,通过广泛实验,取得了领先竞争对手超过 2% mAP 的最先进性能。
Aug, 2023
通过在大规模预训练语言模型中插入小的瓶颈层,我们提出了两种无监督领域自适应更加参数高效的方法,通过实验表明,我们的简单方法在自然语言推理和跨领域情感分类任务中性能良好。
Feb, 2023
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
本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应(BiUDA)框架,来提高医疗图像分析中深度学习模型在不同领域间迁移性能,实验结果显示该框架优于当前先进的方法。
Aug, 2021
提出一种新颖的领域自适应扩散(DAD)模块和互学习策略(MLS),通过将源域数据逐渐转化为目标域数据并使分类模型在领域转换过程中学习,成功将领域适应的挑战分解为多个小领域间隙并逐步增强分类模型的能力,从而在三个广泛使用的无监督领域自适应数据集上大幅优于现有最先进方法。
Aug, 2023
本文提出了一种基于 Transformer 的无监督领域自适应方法 CDTrans,采用双向中心感知标签算法生成准确的伪标签,采用权值共享的三支架 Transformer 框架对源 / 目标特征学习和源目标领域对齐进行自关注和交叉关注,实现了同时学习区分性领域 - 特定和领域不变表示的显式设计,实验证明该方法在公共数据集上的表现优于现有方法。
Sep, 2021