ECCVJul, 2022

基于原型引导的不断适应性学习：应用于类增量无监督领域迁移

PDF
TL;DR本文提出一种名为 ProCA 的原型引导的连续适应方法，解决了具有挑战性的 Class-Incremental Unsupervised Domain Adaptation (CI-UDA) 问题，该问题包括标注源域包含所有类，但是未标注目标域逐步增加类的情况。通过标签原型识别和基于原型的对齐和回放两种策略，ProCA 能够有效地将源模型适应到这个增量式目标领域中。
class-incremental unsupervised domain adaptationci-udaprototype-guided continual adaptationprocalabel prototypes
发现论文，激发创造
  • 类增量领域自适应

    该研究提出了一种实用的域自适应范式 —— 增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于 CIDA 范式中的 DA 和 CI 方法。

    Aug, 2020

  • 基于 Avatar 原型对齐的不考虑不平衡源域自适应

    该论文提出了一个基于原模型中的隐藏知识，利用其生成原型并进行适应的对比原型生成和适应方法，以在没有源数据的情况下适应未标记的目标域，同时解决了存在不平衡类分布的实用情况，并通过新的伪标签生成策略和针对性的分类器，优化模型适应度，有望在应用中取得更好表现。

    May, 2023

  • 通过 Avatar 原型生成和适应实现无源域自适应

    本文提出了一种新的方法，称为反映原型的对比生成和调整方法（CPGA），用于解决源自由的无监督域适应问题，并证明其在三个 UDA 基准数据集上的有效性和优越性。

    Jun, 2021

  • 无监督模型适应连续语义分割

    本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

    Sep, 2020

  • 借助剪枝辅助的特定领域权重调节实现持续域适应

    本文提出了一种方法，旨在解决连续学习中的无监督域适应问题，通过修剪实现框架来保留特定于域的知识，并使用一种基于批次标准化的度量方法进行有效推理，取得了良好的性能，同时在防止过去领域的灾难性遗忘方面显著改善。

    Apr, 2023

  • 领域增强的域自适应

    本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

    Feb, 2022

  • 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

  • 持续源自由非监督域自适应

    本研究旨在通过提出一种新型架构，即 C-SUDA，解决现有无源无监督领域自适应在不断学习的情况下存在的灾难性遗忘问题，并在不利于源领域的情况下，仅通过利用假标记的目标数据和源模型来维护源领域的性能，实现更好的目标领域性能。在 PACS、Visda-C 和 DomainNet 等基准数据集上的实验结果表明，C-SUDA 框架能够在完全不利用源数据的情况下，保持对源域的满意性能。

    Apr, 2023

  • 基于分类锚点的无监督领域自适应语义分割

    该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

    Oct, 2019

  • 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