源标签适应的半监督域自适应
本文的研究重点是如何在具有标记源样本和一些标记目标样本的情况下通过将 SSDA 分解为 UDA 问题和半监督学习问题来更有效地利用目标样本,在其上提出了一种基于一致性学习的平均教师模型的方法,并表明此方法的效果优于现有方法。
Apr, 2023
通过引入新的先验引导的伪标签优化策略,提出了一种改善 UniSSDA 适应性设置中常见类别偏差的方法,有助于在 Office-Home、DomainNet 和 VisDA 等基准数据集上取得最佳性能,并为 UniSSDA 建立了新的基准线。
Mar, 2024
本研究提出了一种基于样本对的半监督领域自适应方法,该方法通过自蒸馏生成辅助特征,并通过最小化学生和辅助之间的输出差异来训练模型以减少领域之间和领域内的差异,在标准基准上实验结果表明该方法有效地减少了差异,并取得了明显的改进。
Nov, 2021
这篇论文介绍了一种新的半监督领域适应方法,称为具有领域内混合和邻域扩展的跨域集成,以解决标签空间中的标签不匹配问题,并通过利用邻域扩展进一步提高自适应模型的性能。
Jan, 2024
该研究提出一种基于双层域混合的半监督领域自适应框架,结合数据混合方法和知识蒸馏,通过给定少量标记的数据和大量标记的源数据来减少域间差异,并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021
本文介绍了一种新的半监督领域适应框架,该框架结合了跨域混合和内域混合,实现了更好地利用目标域信息,并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。
Aug, 2023
本研究通过引入对比损失和伪标记机制,对半监督域自适应问题进行了有效解决,并在 Office-Home、DomainNet 和 Office-31 数据集上取得了最先进的性能。
Sep, 2022
借助未标记的数据,AdaEmbed 通过学习一个共享的嵌入空间,生成精确且统一的伪标签,从而克服了常规半监督领域适应的局限,显著提高了性能。
Jan, 2024
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
本文提出了一种新颖的基于协作学习的多源领域自适应框架,通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息,同时通过图像翻译使源域与目标域之间的差距减小,经实验证明,在语义分割任务中,该方法在 Cityscapes 数据集的验证集上获得 59.0%的 mIoU,显著优于所有之前的单一和多源无监督领域自适应方法。
Mar, 2021