基于生成式外观回放的持续无监督领域自适应

Jan, 2023

基于生成式外观回放的持续无监督领域自适应

Generative appearance replay for continual unsupervised domain adaptation

Boqi Chen, Kevin Thandiackal, Pushpak Pati, Orcun Goksel

TL;DR本文提出了一种基于生成式回放的无监督分割方法 GarDA（用于连续域自适应），通过不断适应一系列新的未标记数据（无需访问旧数据），使得分割模型可以对多个不同的域进行适应，并表现出比现有技术有显著的优势。

Abstract

deep learning models can achieve high accuracy when trained on large amounts of labeled data. However, real-world scenarios often involve several challenges: Training data may become available in installments, may originate from multiple different domains, and may not contain labels fo

deep learning unsupervised segmentation continual learning domain adaptation garda

发现论文，激发创造

无标签域的多尺度特征对齐连续学习

本文介绍了一种基于生成式联合判别器的方法，能够连续自适应多个未标记的目标领域且保护隐私，特别适用于具有长生命周期的医学学科领域，实现了对组织类型分类取得了最先进的效果。

Feb, 2023

使用稳定表示和经验重演的连续无监督领域自适应

我们提出了一种算法来解决持续学习（CL）场景中的无监督域适应（UDA）问题，主要目标是在连续到达新领域时通过更新基本模型来维持模型概括性，而后续任务中只能访问未标记的数据。我们的解决方案是通过稳定学习的内部分布来提高模型在新领域上的概括性，内部分布使用高斯混合模型（GMM）进行建模，并将新领域的内部学习分布与估计的 GMM 进行匹配来更新模型，同时利用经验重播来克服灾难性遗忘问题，并提供理论分析来解释我们算法的有效性，通过广泛的比较和分析实验证明我们的方法是有效的，我们在四个基准数据集上进行实验以证明我们的方法的有效性。

Jan, 2024

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

增量式对抗性领域自适应技术在不断变化环境中的应用

通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

Dec, 2017

面部反欺诈的生成域适应

本文提出了一种基于生成领域适应的人脸防欺骗方法，利用图像翻译的方式将目标数据转换到源域风格，再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。

Jul, 2022

渐进领域适应：理论与算法

我们提出了一种算法框架 GOAT，可在数据相关的方式下生成中间领域，以改进标准的逐渐领域自适应（GDA）的性能，显著扩大 GDA 的实际应用场景。

Oct, 2023

几何无监督域自适应语义分割

该论文提出了使用自监督单目深度估计作为代理任务来解决模拟数据和真实数据之间的差异，以提高半监督领域自适应的性能，结果表明这种方法在语义分割领域的无监督域自适应上具有较好的性能。

Mar, 2021

广义领域自适应

本文提出一种通用的域自适应问题表示，称为广义域自适应 (GDA) ，涵盖了主要变量作为其特殊情况，该广义化引出一种新的具有挑战性的设置，其中现有的方法失败了。我们提出了一种新颖的方法，其关键是无监督的类破坏学习，这使得学习类不变表示和域对抗分类器无需使用任何领域标签，使用 3 个基准数据集的大量实验证明了我们的方法在新设置下优于现有的 UDA 方法，在现有 UDA 变量中也很有竞争力。

Jun, 2021

深度无监督域自适应：近期进展和展望综述

深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

Aug, 2022

面向不断变化条件的语义分割在线域自适应

本文介绍了一种针对语义分割的在线域自适应框架，能够有效地适应不断变化的域，包括降雨和雾霾天气，同时避免了之前域的灾难性遗忘现象。

Jul, 2022