MMApr, 2022

利用多模态信息校准类别权重实现部分视频领域自适应

PDF
TL;DR本文介绍了一种名为 MCAN 的新型神经网络模型，采用多模态特征结合不同时间尺度的视频特征提取，利用聚类方法的分布信息减轻了错误类权重带来的负面影响，该模型已在 PVDA 基准测试中得到了显著的提高。
partial video domain adaptationpvdaclass weight calibrationmulti-modality cluster-calibrated partial adversarial networkpvda benchmarks
发现论文，激发创造
  • 部分对抗域适应

    本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

    Aug, 2018

  • 通过扰动化基于变异的标签传递进行多数投票域适应

    通过扩展 MinCq 算法，利用扰动方差，提出了一种针对 PAC-Bayesian Domain Adaptation 问题的解决方案，包括利用 PV 自标记目标样本并调整超参数，通过在目标和源概率分布相似的区域进行自标记并控制不同分类器之间的选票不一致性。在 toy 问题上获得了很好的结果。

    Nov, 2013

  • 多功能域自适应的最小类混淆

    本研究提出了一种通用的归纳偏见，即最小类混淆 (MCC) 方法，该方法不仅易于收敛，而且可以有效地处理多个不同的领域适应 (DA) 方案，特别是在 Partial-Set 和 Multi-Target DA 两个难度较高的数据集上表现优异。

    Dec, 2019

  • 利用重要性权重对抗网络进行部分领域适应

    本文提出了一种基于重要性加权的对抗网络方法，用于无监督域自适应，特别适用于目标域比源域类别少的部分域适应。该方法可以克服现有域适应方法中假定标签空间相同的局限，并减少域之间共享类的变化。

    Mar, 2018

  • 领域适应中具有更低偏差和方差的可迁移校准

    本论文研究了领域自适应中的标定问题，提出了 Transferable Calibration 方法来解决这个问题。该方法可以帮助现有的领域自适应模型更准确地进行标定，从而在关键场景下做出更可靠的决策。

    Jul, 2020

  • 无监督领域适应的对比适应网络

    本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题，并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异，具有更好的特征鉴别能力。

    Jan, 2019

  • 自适应累积知识迁移用于部分领域自适应

    本文介绍了一种自适应积累知识传递框架（A $^ 2$ KT），其中包括自适应积累机制，双特征分类器结构以及最大化聚类中心差异性和最小化聚类紧密度以获得更多领域不变性和任务特定的共享类别数据区分能力，该框架旨在解决部分域适应问题。复杂的实验表明该模型比当前 PDA 方法表现更优秀。

    Aug, 2020

  • 一种使用源原型的健壮负学习方法应用于部分领域适应

    本文提出了一个鲁棒的部分领域自适应（PDA）框架，通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈，减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同，我们的方法通过源样本原型和高置信度目标样本，在域不变的方式下提供了明确的目标来优化类内紧凑性和类间分离性。值得注意的是，我们通过先验地推断源样本原型来确保源数据的隐私，从而在自适应阶段不需要访问源数据。我们进行了一系列全面的实验证明分析，涵盖了一系列部分领域自适应任务。对基准数据集的全面评估证实了我们的框架的增强鲁棒性和泛化性，展示了其相对于现有最先进 PDA 方法的优越性。

    Sep, 2023

  • 域自适应中的 α- 功率最大化对抗重新加权

    提出了一种称为 Adversarial Reweighting with α-Power Maximization (ARPM) 的新方法，用于 Partial DA 任务中遗漏了目标域的私有类别。通过对抗性重新加权模型和 α-Power 最大化机制，提高了源域数据的识别精度并减少了预测不确定性，实验证明该方法优于最近的 Partial DA 方法，并在 Open-set DA、Universal DA 和 Test-time Adaptation 上进行了扩展和验证。

    Apr, 2024

  • 注意了课程权重偏差：加权最大均值差异用于无监督域自适应

    本研究提出了一种加权 MMD 方法，采用类特定辅助权重来考虑不同类别间的先验概率分布偏差，通过交替为源域中的每个类别引入辅助权重和分配伪标签以更新模型参数，解决了 MMD 忽视类别间重量偏差的问题。实验表明，加权 MMD 方法优于传统的 MMD 方法在域适应中的表现。

    May, 2017