May, 2022

吸引和分散：一种用于无源域自适应的简单方法

HTML
PDF
TL;DR提出一种用于领域自适应的无源自适应方法,通过将SFDA视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.
发现论文，激发创造
  • 基于信息论的鉴别聚类学习用于无监督领域自适应

    该文章研究了无监督领域自适应的问题，提出一种新的方法，该方法同时学习domain-invariant features和discriminative features，并且以信息论度量作为优化目标，在目标域和源域中训练分类器。经过实验验证，该方法在物体识别和情感分析等任务中表现出了明显的优势。

    Jun, 2012

  • 基于教师的聚类对齐用于无监督领域适应

    本文提出了一种利用教师模型进行无监督领域自适应的聚类对齐方法，其针对源域和目标域的判别性聚类结构进行对齐，并在多种无监督领域自适应场景下实现了最先进的效果。

    Mar, 2019

  • 泛化的零样本域自适应

    本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上实现了最先进的性能（85.4％）。

    Aug, 2021

  • 利用固有邻域结构进行无源域自适应

    本文提出一种基于目标域数据固有结构的源无关领域适应方法，通过定义目标数据的局部亲和力并鼓励具有高局部亲和力的数据标签一致性来解决领域偏移问题，并在几个 2D 图像和 3D 点云识别数据集上取得了最先进的性能。

    Oct, 2021

  • BMD：一种通用的平衡多中心动态原型策略，用于无源领域自适应

    这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

    Apr, 2022

  • 基于分布估计的无源领域自适应

    本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

    Apr, 2022

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022

  • 无源域自适应结合嘈杂标签学习

    本文从标签噪声学习的角度出发，探究了在无源领域适应中的标签噪声。研究表明，仅依赖分布假设的LLN方法无法应对SFDA中的标签噪声。同时，我们证明了早期训练现象也可在SFDA中应用，并利用此方法提高了现有SFDA算法的性能。

    Jan, 2023

  • 基于蒸馏鉴别聚类的无监督领域自适应

    该研究提出了一种名为DisClusterDA的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软Fisher准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对5个基准数据集进行的实验表明，DisClusterDA在这些数据集上的表现优于现有的方法。

    Feb, 2023

  • 信任你的好朋友：通过相互邻域聚类的无源域适应

    通过定义目标数据的局部关联性并在具有高局部关联性的数据中鼓励标签一致性，基于目标数据的内在结构，以及通过考虑局部邻居、相互邻居和扩展邻域来有效捕捉局部结构，实现了若干2D图像和3D点云识别数据集的最先进性能。

    Sep, 2023