该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020
无监督领域适应的研究中,通过使用预训练网络进行多阶段伪标签优化程序,解决了无标签目标数据中的类别错位问题,证明了该简单方法在多个数据集上比复杂的最先进技术更有效。
Feb, 2024
本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法,并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能,并显示出与在线适应的兼容性。
Aug, 2021
使用自主训练、伪标签、微调和师生框架等方法,这篇论文提出了解决视频领域适应性问题的方法,以在没有源数据的情况下实现源无关自适应,并取得了领先的实验结果。
Nov, 2023
无需访问源数据,本研究提出了一种新的框架,通过估计无标签目标数据的模型准确性来解决深度视觉模型在源和目标分布之间存在性能降低的问题。将伪标签用于准确性估计,并采用最新的无源域自适应算法,利用源假设来适应目标伪标签函数,并通过对目标模型的输入进行自适应对抗扰动以减轻错误伪标签的影响,从而有效解决具有挑战性的分布偏移情景,并胜过需要源数据和标签进行训练的现有方法。
Jul, 2023
该论文提出了一种名为跨域自适应聚类的新方法,使用敌对训练产生自适应聚类损失,将未标记目标数据的特征分组到聚类中,并在源域和目标域之间进行聚类特征对齐。使用伪标签扩展了目标域中每个类的标记样本的数量,并产生了更强大的聚类核心,从而实现了半监督领域自适应的最佳表现。
Apr, 2021
该研究提出了一种利用信息论界限和特征对齐技术,将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法,取得了比现有方法更好的性能表现。
Feb, 2022
本文综述了最新的单源深度无监督域适应方法,主要集中在视觉任务中,并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述,然后总结和比较了不同类别的单源无监督域适应方法,包括基于差异性的方法,对抗式鉴别方法,对抗式生成方法和自监督方法,并探讨了未来的研究方向、挑战和可能的解决方案。
Sep, 2020
本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法,该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计,进一步引入了两种补充的像素级和类级去噪方案,以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明,该方法在不使用任何源图像或修改源训练的情况下,实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。
Sep, 2021
本文提出了一种基于伪源域的方法,通过生成和扩充伪源域,引入四种新的基于伪标签的策略 loss 进行分布对齐,并在伪源域和剩余目标域之间引入一个域对抗损失,以减少分布漂移,从而有效地解决了无监督域自适应的问题。