Aug, 2022

子类型感知动态无监督域自适应

PDF
TL;DR本文提出了一种自适应细粒度亚型对齐的方法来增强目标域的无亚型标签性能，并利用中间伪标签同时强化亚型内紧凑性和类别之间的分离性。实验结果表明，该方法相比于最先进的 UDA 方法在多视图先天性心脏病数据和 VisDA 以及 DomainNet 数据集上具有显著的改进。
unsupervised domain adaptationtransferable prototypical networksfine-grained subtype alignmentpseudo-labelssubtype structure exploitation
发现论文，激发创造
  • 面向亚型的医学诊断无监督域自适应

    本文提出一种自适应的、细粒度子类型感知的对齐方法，通过中间伪标签明确地推动类间分离和子类型紧致性，进而发现潜在的子类型结构，并在医学诊断任务中取得了有希望的结果。

    Jan, 2021

  • 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

  • 无精确共享类别的多目标无监督域适应

    本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT)，该框架通过学习一个共同的模型参数词典进行知识转移，并在三个领域适应基准数据集上实验验证了其优越性。

    Sep, 2018

  • 无监督深度域自适应中的潜在域推断

    本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

    Mar, 2021

  • 领域自适应语义分割的样式适应

    我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

    Apr, 2024

  • 逐渐消失的原型网络在无监督领域适应中的差距

    我们提出了一种高效的无监督领域自适应框架 (GVG-PN)，通过全局和局部角度实现了转移学习，以解决无监督领域自适应模型在对齐过程中分布塌缩的问题，并且能够清晰地胜过目前最先进的模型。

    May, 2024

  • 领域无关的先验知识在语义分割中的迁移

    本研究通过在源域和目标域约束特征，提出一种简单高效的无监督域自适应方法，即使用无领域先验 (DAP) 正则化交叉域表示学习，这种方法在将综合数据转移到真实数据的标准评估协议中，表现出优秀的语义分割准确性，对于提高模型的分类表现具有指导意义。

    Apr, 2022

  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 基于内部表示的在线连续域适应语义图像分割

    本研究提出一种在线无监督域自适应算法，通过在共享嵌入空间中最小化源潜在特征与目标特征之间的分布距离，促进两个领域之间的共享领域无关潜在特征空间，从而改善图像的语义分割模型在未注释领域上的泛化性能。为了在自适应过程中减轻对源样本访问的需求，我们通过一个合适的替代分布（如高斯混合模型）来近似源潜在特征分布。我们在已建立的语义分割数据集上评估了我们的方法，并证明它在未注释领域的泛化性能上与最先进的无监督域自适应方法相比具有竞争优势。

    Jan, 2024

  • 通用域自适应的子公司原型对齐

    该研究提出了一种基于词袋模型的框架，通过学习中层的词汇原型以及词频直方图进行分类，从而避免了负迁移问题，并在三个常见的领域自适应与开放领域自适应识别基准测试中取得了最优表现。

    Oct, 2022