正样本和未标注数据的异构领域自适应

Apr, 2023

正样本和未标注数据的异构领域自适应

Heterogeneous Domain Adaptation with Positive and Unlabeled Data

Junki Mori, Ryo Furukawa, Isamu Teranishi, Jun Sakuma

TL;DR该论文提出了一个新的异构无监督领域自适应 (UDA) 任务：正例与未标记数据异构领域自适应 (positive and unlabeled heterogeneous domain adaptation, PU-HDA)，并针对该任务提出了一种名为 PADA 的新颖方法，该方法通过对抗训练框架学习分类器，以预测可能的正例，并学习特征转换器将目标领域的特征空间对齐到源领域的特征空间，从而减小源域数据和目标域的可能正例数据之间的分布差异。

Abstract

Heterogeneous unsupervised domain adaptation (HUDA) is the most challenging domain adaptation setting where the feature space differs between source and target domains, and the target domain has only unlabeled data. Existing HUDA methods assume that both positive and negative examples

unsupervised domain adaptation positive and unlabeled adversarial training feature space alignment pu-hda

发现论文，激发创造

领域增强的域自适应

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

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

简化版神经网络无监督域自适应

本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

May, 2019

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

无监督深度域自适应中的潜在域推断

本文提出了一种新的深度学习架构，通过自动发现视觉数据中的潜在域并利用这些信息来学习强健的目标分类器来解决不带标签数据的目标域学习问题，在公共基准测试中表现优于现有的方法。

Mar, 2021

基于对抗神经表示学习的异构域自适应：以电子商务和网络安全为例的实验

该研究提出了一种新的框架 Heterogeneous Adversarial Neural Domain Adaptation (HANDA)，专门针对异构环境下的域自适应问题，通过统一的神经网络架构实现特征和分布的对齐以及域不变性，并在主要的图像和文本电子商务基准测试中表现出统计显著的预测性能提高。

May, 2022

UMAD: 面向领域和类别漂移的通用模型自适应

该文提出了一种名为 UMAD 的通用模型适应框架，能够在不使用源数据或了解域之间类别偏移的先验知识的情况下处理 open-set 和 open-partial-set 的两种 UDA 场景，并通过实验证明其在数据隐私敏感型应用中具有可比较甚至更优的性能。

Dec, 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

领域自适应语义分割的样式适应

我们提出了一种简单直接的方法来减小不同领域之间的差异，该方法无需进行额外的参数计算，并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域，该模型在决策过程中优先考虑目标领域的风格，在图像级别和浅层特征图级别上解决了该问题，并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升，比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能，mIoU 为 76.93%，比先前最先进结果改善了 1.03 个百分点。

Apr, 2024

语义分割的无监督域自适应重新思考

该论文研究了利用少量标记数据来对无监督领域适应（UDA）进行数据中心性思考，并探究了如何优选经典的 UDA 方法的超参数和使用少量标记数据进行微调的效果。

Jun, 2022