Nov, 2022

自适应对比学习实现的无源域自适应

HTML
PDF
TL;DR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
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

  • 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

  • 泛化的零样本域自适应

    本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上实现了最先进的性能（85.4％）。

    Aug, 2021

  • 模型适应：无源数据对比学习的无监督域自适应

    本研究提出了一种无监督模型自适应的历史对比学习技术，通过历史模型的假设来弥补源数据中的缺失，从而实现将源训练模型适应到目标分布的无监督域适应。实验结果表明，该方法在各种视觉任务和设置下一致优于现有技术。

    Oct, 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

  • BMD：一种通用的平衡多中心动态原型策略，用于无源领域自适应

    这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

    Apr, 2022

  • 吸引和分散：一种用于无源域自适应的简单方法

    提出一种用于领域自适应的无源自适应方法,通过将SFDA视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.

    May, 2022

  • 基于不确定性引导的无源域自适应与目标独立类别分离

    该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

    Apr, 2024