Jul, 2022

领域混淆对比学习用于无监督领域自适应

HTML
PDF
TL;DR本文介绍了一种自主学习方法的无监督域自适应技术，即Domain Confused Contrastive Learning（DCCL），旨在通过域拼图来构建源域和目标域之间的桥梁，并在适应后保留有区分性的表示。此外，作者还探讨了在进行其他数据增强时，对比学习是否有助于UDA。实验表明，DCCL的表现显著优于基线。
发现论文，激发创造
  • 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

  • 联合对比学习用于无监督领域自适应

    本文提出了一种将源域和目标域相结合的联合优化框架，并引入了一种称为JCL的新方法，它利用对比损失来最大化特征和标签之间的互信息，以最小化联合误差，从而有效提高了特征传递性和分类效果。

    Jun, 2020

  • FixBi: 跨领域空间的无监督领域自适应

    介绍了一种针对领域差异性大的无监督域自适应方法，包括使用固定比例的混合增强多个中间域，训练源主导模型和目标主导模型，使用置信度学习方法逐渐实现领域知识的转移。

    Nov, 2020

  • 对比领域自适应

    本文探讨了将对比自监督学习扩展到领域适应上述情形的方法，通过无标签的正负样本比较学习，进一步识别和排除潜在可能误判的负面效应，以提高领域适应任务中的性能表现。

    Mar, 2021

  • 跨域对比学习用于无监督域自适应

    该论文提出了一种在无监督领域适应的情况下，采用自我监督学习的对比方法以减少培训和测试集之间的领域差异，实现了简单而有效的领域对齐框架CDCL，并使用伪标签进行评估， 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。

    Jun, 2021

  • 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

  • 视觉域适应的可转移对比学习

    本文提出了一种自我监督学习方法，即可转移对比学习（TCL），其将SSL和所需的跨域可转移性紧密地联系起来，并通过特定的内存库和伪标签战略对源和目标之间的跨域内部类域差异进行惩罚

    Dec, 2021

  • 连接，而非坍塌：解释对比学习在无监督领域适应中的应用

    本文针对无监督域适应问题，提出了一种基于对比度预训练的分类器学习方法，该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射，并在基准视觉数据集上获得了验证。

    Apr, 2022

  • 兼顾两种世界：面向领域的Transformer用于无监督领域自适应

    提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 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