半监督域自适应的多层一致性学习

IJCAIMay, 2022

半监督域自适应的多层一致性学习

Multi-level Consistency Learning for Semi-supervised Domain Adaptation

Zizheng Yan, Yushuang Wu, Guanbin Li, Yipeng Qin, Xiaoguang Han...

TL;DR本文提出了一种基于多级一致性学习的半监督域自适应框架，其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域，使用新颖的类内对比聚类损失促进目标特征表示的学习，遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明，该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。

Abstract

semi-supervised domain adaptation (SSDA) aims to apply knowledge learned from a fully labeled source domain to a scarcely labeled target domain. In this paper, we propose a multi-level consistency learning (MCL)

semi-supervised domain adaptation multi-level consistency learning prototype-based optimal transport method class-wise contrastive clustering loss self-training

发现论文，激发创造

基于原型多层学习的半监督域自适应

本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。

May, 2023

半监督领域适应医学图像分割通过一致性规则的解耦对比学习

本研究探讨了医学图像分割中相对较少研究的半监督域适应方法，通过使用自我学习的预训练编码器以及像素级特征一致性约束，提出了一种两阶段训练过程，并实验证明该方法在两个域适应图像分割任务中优于其他方法。

Jul, 2023

CLDA：对比学习用于半监督领域自适应

本文提出了一种简单的对比学习框架，用于半监督域自适应，以构建域不变的预测模型，在三个领域适应基准数据集上取得最先进的性能表现。

Jun, 2021

通过自监督源域投影和多级对比学习实现广义语义分割

该研究提出了一种基于领域映射和对比学习的方法，通过自监督源域投影和多级对比学习来减少域差异并提高泛化能力，通过大量实验证明了该方法在语义分割方面具有良好的泛化能力。

Mar, 2023

ECACL: 半监督领域自适应的整体框架

提出了一种名为增强分类对齐和一致性学习（ECACL）的半监督域自适应（SSDA）框架，其中包括多种相互补充的域对齐技术，并通过类级别对齐、数据增强和模型鲁棒性实现全面域对齐，以提高具有带标签样本的目标域数据的性能。

Apr, 2021

多层次一致性无监督领域自适应三维检测

利用 MLC-Net 框架中的教师 - 学生范式生成自适应和可靠的伪目标，实现深度学习在 3D 物体检测领域可快速交叉域匹配。

Jul, 2021

基于双层领域混合的半监督领域适应用于语义分割

该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

Mar, 2021

多目标域自适应与协作一致性学习

本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

Jun, 2021

源标签适应的半监督域自适应

该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

Feb, 2023

半监督领域自适应的跨域自适应聚类

该论文提出了一种名为跨域自适应聚类的新方法，使用敌对训练产生自适应聚类损失，将未标记目标数据的特征分组到聚类中，并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量，并产生了更强大的聚类核心，从而实现了半监督领域自适应的最佳表现。

Apr, 2021