ECCVJul, 2022

跨域三维动作识别的领域共享和目标特定特征聚类

PDF
TL;DR本文介绍一种基于 CoDT 模型的在线聚类算法来应对跨域三维动作识别问题，该算法利用了源域和目标域之间的标签数据及未标签数据，并提出了一种协同聚类策略来保证特征聚集性和伪标签的生成。
cross-domain 3d action recognitionopen-set settingcodtonline clustering algorithmcollaborative clustering strategy
发现论文，激发创造
  • 对抗性跨域行为识别及协同注意力

    本论文提出了一种基于时空协同注意机制的临域动作识别框架 TCoN，通过特征匹配解决了跨域动作识别的问题，实验结果表明该框架在跨域设置下显著提高了识别准确率。

    Dec, 2019

  • 联合领域对齐和判别特征学习的非监督深度领域自适应

    通过联合域对齐和辨别特征学习的方式，可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域，大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而，本文指出，所有域对齐方法只能减少，而不是消除域移位的情况。因此，我们提出了一种实例和中心的辨别特征学习方法，它们都可以在共享的特征空间中学习到具有更好的类内紧密性和类间可分性的域不变特征。实验表明，在共享的特征空间中学习辨别特征可以显著提高深度域自适应方法的性能。

    Aug, 2018

  • CL3D：基于无监督领域自适应的跨激光雷达 3D 检测

    利用空间几何对齐和时间运动对齐构建自适应域归一化方法，以头显和机械扫描激光雷达的点云数据为例，实现了跨设备 3D 检测的最新性能水平。

    Dec, 2022

  • 聚类到适应：在不同标签之间进行语义分割的少样本领域自适应

    本研究提出了一种聚类适配方法 Cluster-to-Adapt（C2A），通过在转换的特征空间中强制执行聚类目标来选择源和目标域之间可以对齐的类别，从而实现分割数据集领域自适应的跨数据集分类适应。该方法在室内外语境场景下进行的少样本学习和零样本学习中均表现出了比现有方法和基准方法都更好的性能。

    Aug, 2022

  • 基于聚类的域自适应深度人脸识别

    本文提出了一种基于聚类的领域自适应方法，通过全局对齐特征域和本地区分目标聚类的方式来有效学习判别性目标特征，经过广泛的实验，证明了该方法在面部识别任务方面具有先进性能。

    May, 2022

  • DMSD-CDFSAR：混合源领域蒸馏用于跨领域少样本动作识别

    我们提出了一种新颖的方法，“混合源领域蒸馏”，旨在解决跨领域少样本动作识别的挑战。通过在训练过程中利用源域的标记数据和目标域的未标记数据，我们的方法能够提高模型的泛化能力，并借鉴混合源域的知识来改善原始源分支的分类概率。

    Jul, 2024

  • 无监督行人再识别的领域摄像机自适应和多特征协同聚类

    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

  • 视频动作识别的协作时空特征学习

    本文提出了一种新颖的神经操作，通过在三个正交视图上进行 2D 卷积，协同编码了时空特征，并通过权值共享来促进空间和时间特征的学习，此方法在大规模基准测试中取得了最优性能，并通过对不同视图学习的系数进行量化，探讨了空间和时间特征的贡献，以提高模型的解释性并指导视频识别算法的设计。

    Mar, 2019

  • 无监督跨域图像检索的特征表示学习

    本文探讨无监督的跨域图像检索任务，提出了基于类簇对比学习和距离 - 距离损失的方法，无需外部监督，在 Office-Home 和 DomainNet 数据集上实验结果表明，我们的方法优于现有最先进方法。

    Jul, 2022

  • 跨域相似度学习在未知域中的人脸识别

    本文介绍了一种名为 CDT 损失的跨域度量学习方法，该方法通过在网络中统一损失函数中的另一个培训领域中与三元样本相关的明确度量来提高面部识别在未知领域的性能。

    Mar, 2021