目标驱动的单次无监督域适应

May, 2023

Target-driven One-Shot Unsupervised Domain Adaptation

Julio Ivan Davila Carrazco, Suvarna Kishorkumar Kadam, Pietro Morerio, Alessio Del Bue, Vittorio Murino

TL;DR本文提出了一种针对仅有一个无标签目标样本进行领域自适应的方法，引入了一种新颖的框架，结合数据增强、样式对齐和分类器三个模块，利用目标样本的风格来指导增强，从而在 Digits and DomainNet 基准测试上优于或与现有方法相当。

Abstract

In this paper, we introduce a novel framework for the challenging problem of one-shot unsupervised domain adaptation (OSUDA), which aims to adapt to a target domain with only a single unlabeled target sample. Unlike existing approaches that rely on large labeled source and unlabeled ta

one-shot unsupervised domain adaptation target-driven one-shot uda augmentation style alignment digits and domainnet benchmarks

发现论文，激发创造

单次无监督领域自适应的可学习数据增强

通过可学习的数据增强技术，本文提出了一种分类框架来解决一次性无监督领域自适应问题。通过设计具有感知损失和风格转换策略的编码器 - 解码器架构，我们的方法可以学习如何增强源数据，并使其在知觉上类似于目标。该方法在 DomainNet 和 VisDA 这两个领域自适应基准数据集上取得了最先进的性能。

Oct, 2023

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

一次性无监督域自适应语义分割的风格混合和分块原型匹配

本文提出了一种新的一次无监督域自适应方法，该方法将多个样式混合层集成到分割器中，用于对源图像进行样式转移，同时提出了一种基于块原型匹配的方法来加权考虑源像素的重要性，从而在一次训练中缓解负面适应，并且在两个常用的基准测试中取得了新的最优性能，比所有比较方法更高效。

Dec, 2021

面向源领域放宽的医学图像分割的内存一致的无监督即插即用模型适应

本文提出了一种新颖的批量规范化（BN）统计适应框架，其中逐渐调整域特定的低阶 BN 统计量（例如平均值和方差），同时通过优化目标明确强制执行域共享的高阶 BN 统计量的一致性（例如缩放和移位因子）进行的非监督领域自适应，该框架与基于假标签的自训练策略相结合，实现了在没有源域数据的情况下的图像分割任务的迁移。

Sep, 2022

基于假设传递和标签传递的源数据缺失无监督域自适应

本文针对数据保护的要求，提出了一种基于分类模型训练的无监督领域自适应方法：Source HypOthesis Transfer (简称 SHOT)，通过提取目标领域的特征并利用同一假设对原数据和目标数据进行映射，同时利用半监督学习来提高目标域中置信度较低的样本的准确性，实现了卓越的性能及实用价值。

Dec, 2020

基于不确定性引导的无源域自适应与目标独立类别分离

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为 NL-InfoNCELoss 的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024

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

无精确共享类别的多目标无监督域适应

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

持续源自由非监督域自适应

本研究旨在通过提出一种新型架构，即 C-SUDA，解决现有无源无监督领域自适应在不断学习的情况下存在的灾难性遗忘问题，并在不利于源领域的情况下，仅通过利用假标记的目标数据和源模型来维护源领域的性能，实现更好的目标领域性能。在 PACS、Visda-C 和 DomainNet 等基准数据集上的实验结果表明，C-SUDA 框架能够在完全不利用源数据的情况下，保持对源域的满意性能。

Apr, 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