本文首次引入了 “通用无监督跨领域检索(U^2CDR)” 问题,并设计了一个两阶段的语义特征学习框架来解决该问题。在第一阶段,通过实例 - 原型 - 混合对比损失和语义增强损失,在域间保持一个跨领域统一的原型结构以应对类别空间差异。在第二阶段,通过修改的对抗训练机制,在领域对齐过程中保持已建立的原型结构的最小变化,从而实现更准确的最近邻搜索。对多个数据集和场景进行了广泛实验,包括闭集、部分集和开集 CDR,结果表明我们的方法在解决 U^2CDR 挑战方面显著优于现有最先进的 CDR 方法以及其他主题中一些潜在有效的研究。
Mar, 2024
通过对比学习实现特征对齐,提出了一种跨领域适应的标签扩展方法,结果表明,我们的方法在 Cityscapes 数据集上的表现始终优于最先进的方法。
Apr, 2022
该研究论文提出了一种无监督学习方法,它通过显式地从噪声数据中学习不变展示来重建清晰图像,并通过引入离散解缠表示和敌对域自适应等额外的自监督模块实现。实验表明该方法在合成和真实噪声去除任务方面表现与最先进的监督和无监督方法相当,同时比其他领域适应方法具有更快和更稳定的收敛性。
Mar, 2020
本文研究跨域图像检索的无监督情况,提出了一种新的无对应关系的跨域对齐方法,即不考虑对应关系和类别注释的情况下,利用 In-domain 自匹配监督机制和跨域分类器对齐消除跨域差异,实现了无监督跨域图像检索。
Feb, 2023
本文提出了一种基于标签效率自监督表示学习的方法,用于在跨域设置中对糖尿病视网膜病变图像进行分类。该方法使用来自源域数据集的先前学习,通过对比学习从未标记的源域数据集中学习的图像表示来对目标域数据集中的视网膜病变图像进行分类。实验结果表明,该方法在二分类和多分类中取得了最先进的结果,并优于现有的方法。
Apr, 2023
在跨领域检索中,我们提出了一种简单的解决方案,通过图像之间的保留类别的翻译,在不共享训练数据的情况下生成合成数据,从而提高跨领域检索模型的准确性。
Dec, 2023
本研究提出了一种用于跨域图像特征提取和 unsupervised domain adaptation 的深度学习模型,实现了特征的 disentanglement 和适应,并在实验中证实了其有效性和优越性。
May, 2017
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
本文提出了一种基于生成对抗网络和半监督多特征聚类的联合伪标记策略,通过无监督域适应和在非标记目标域中挖掘潜在相似性,提高目标域的特征表示能力,同时通过半监督多特征聚类学习目标域的内部数据结构,取得了良好的无监督个体重新识别表现。
Aug, 2022
提出了一种新颖的无监督领域自适应方法,通过像素 - 原型对比学习框架进行标记迁移,学习跨域不变且具有区分性的特征,生成动态伪标签来建立对比学习训练对,并逐渐调整原型的领域偏差来提高其性能。
Jul, 2022