MEnsA: 用于三维点云的无监督多目标领域自适应的混合集成平均方法
本文提出了一种新的无监督多目标域自适应方法,通过多教师知识蒸馏来训练 CNN,使其可以在多个目标领域上广义化。该方法通过逐步蒸馏目标域知识到一个共同的学生无直接学习域适应特征,同时保留每个目标(教师)的特异性以适应学生,通过在多项具有挑战性的 UDA 基准测试上的实证结果表明,我们提出的模型可以在多个目标域上提供较高水平的准确性。
Jul, 2020
本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet,该方法可以动态地对多个带标签源领域的知识进行转移,以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法,同时也验证了该方法的优越性。
Dec, 2018
本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT),该框架通过学习一个共同的模型参数词典进行知识转移,并在三个领域适应基准数据集上实验验证了其优越性。
Sep, 2018
通过结合输入数据的时间和跨传感器的几何一致性和均值教师方法,我们引入了一种新颖的领域适应方法,称为 T-UDA(时间 UDA),该方法在驾驶场景的 3D 语义分割任务中取得了显著的性能提升。
Sep, 2023
本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架,该方法将目标域与每个单一源域配对,使用条件对抗性域自适应网络作为分支网络进行训练,并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐,通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习,该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明,ML-MSDA 方法优于比较方法,并实现了最新的性能表现。
Mar, 2020
本篇论文提出了一种跨模态迁移学习方法(xMUDA),用于解决多模态数据下的无监督域适应问题,借助自动驾驶数据集验证了该方法的有效性并与单模态方法进行了比较。
Nov, 2019
提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA),采用敌对学习与度量约束将每组源和目标域映射到特定的子空间,并构造了一系列伪目标域进行训练以提高性能。此外,为提高深度神经网络的传递性,用有效的匹配规范化层代替传统批规范化层,给出理论分析和实验探究证明了该方法的有效性。
Feb, 2022
本文提出了一个两阶段的框架,用于多源无监督域适应问题,该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐,以及利用领域特定的决策边界对分类器的输出进行对齐,以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题,这种方法在经典的图像分类数据集上取得了显著的结果。
Jan, 2022
通过多模态对比学习和最优传输的对齐,我们提出了一种新的用于点云分类的无监督领域自适应架构,实现了更好的类别分离并在多个数据集上取得了最先进的性能。
Aug, 2023
本文提出了一种基于伪领域生成的领域增强领域自适应方法(DADA),通过生成与目标域差异更小的伪领域,减小跨域偏差,进而增强知识转移过程并将标签方法应用于 DADA 模型中,结果表明该模型优秀。
Feb, 2022