SRoUDA: 元自我训练用于强健的无监督域自适应

AAAIDec, 2022

SRoUDA: 元自我训练用于强健的无监督域自适应

SRoUDA: Meta Self-training for Robust Unsupervised Domain Adaptation

Wanqing Zhu, Jia-Li Yin, Bo-Hao Chen, Ximeng Liu

TL;DR本文提出了一种新的元自我训练流程 SRoUDA，通过自训练的范例，SRoUDA 允许直接将 AT 纳入到 UDA 中，并且，在 SRoUDA 中的元步骤进一步有助于由嘈杂的伪标签导致的误差传播的缓解。经过各种基准数据集的广泛实验表明，SRoUDA 在不损害清洁度准确性的情况下实现了显着的模型稳健性的提高。

Abstract

As acquiring manual labels on data could be costly, unsupervised domain adaptation (UDA), which transfers knowledge learned from a rich-label dataset to the unlabeled target dataset, is gaining increasing popularity. While extensive studies have been devoted to improving the model accuracy on target domain, an important issue of model robustness is neglected

unsupervised domain adaptation adversarial training meta self-training pipeline adversarial robustness pseudo-labeled target data

发现论文，激发创造

朝着可靠的无监督领域适应：增强鲁棒性、区分性和泛化性的表示学习视角

通过互信息优化，本文从表示学习的角度研究鲁棒的无监督领域自适应，并设计了一种利用互信息理论的新算法，名为 MIRoUDA，以实现鲁棒性、区分性和泛化性等三个期望特性，同时提出了相应的双模型框架，大量实验结果表明我们的方法在各项评测中都明显优于现有技术。

Jun, 2024

无监督领域自适应的对抗性稳健训练探究

本研究旨在研究如何通过敌对训练来提高无监督领域自适应模型的鲁棒性，广泛实验表明，敌对鲁棒性方法能够有效提高该领域模型的可靠性和效果。

Feb, 2022

无监督领域自适应对抗鲁棒性

本文提出一种通过利用 ImageNet 预训练模型中的中间表示，使得源域与目标域学习到的特征分布更加接近，从而提高无监督域适应模型在未标记数据上的对抗鲁棒性，不需要对抗干预或标签要求。

Sep, 2021

无监督域自适应的语义分割研究及伪标记自我修正

基于深度学习的解决方案如何在面对与训练数据不同特征的情况下，语义分割会有性能下降的问题，针对此问题提出了一种无监督领域适应的方法，利用辅助伪标签优化网络进行自训练，实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

Oct, 2023

稳健的无源域自适应用于眼底图像分割

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

基于实例自适应技术的无监督领域自适应自训练

本文提出了一种基于实例适应的自我训练框架，应用于语义分割的无监督域自适应问题，该方法采用了一种新的伪标签生成策略和区域引导正则化方法，以在 'GTA5 to Cityscapes' 和 'SYNTHIA to Cityscapes' 数据集上的任务中获得更好的性能表现。

Aug, 2020

多领域判别器与自适应自训练的无监督领域自适应

本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

Apr, 2020

探索语义分割中无监督领域自适应的鲁棒性

提出了一种在输出空间中采用对比损失来最大限度地增加干净图像和其对抗性示例之间的一致性的对抗性自监督 UDA 方法，名为 ASSUDA，以提高深度神经网络对敌对示例的鲁棒性和分割任务的可靠性。

May, 2021

元校正：基于领域感知的无监督语义分割领域自适应元损失校正

本研究提出了一种基于元学习的元矫正框架，在无标记目标域上进行语义分割模型的无监督域自适应。通过噪声转移矩阵来模拟目标域伪标签噪声分布，建立元数据集来估计噪声转移矩阵，进而进行噪声矫正以增强模型对目标数据的泛化能力。实验结果表明该方法在三个基准测试上优于现有技术水平。

Mar, 2021

AVATAR：用于目标域的对抗式自超级监督域自适应网络

本研究提出了基于深度聚类、领域对抗学习、自监督学习和样本选择策略的 AVATAR 算法，解决了复杂领域自适应任务中的领域差异和样本噪声问题，实验结果表明其在三个领域自适应基准任务上均优于现有算法。

Apr, 2023