May, 2023

FeatFDSA: 面向基于视频的活动识别的少样本域自适应

PDF
TL;DR本研究提出 FSDA-AR，即利用非常少量的标签目标视频实现有效自适应的少样本域自适应方法，通过深度学习技术中的潜在空间语义邻接损失，以及基于图注意网络的边缘丢失技术构建推荐算法和 FSDA-AR 基准测试，并在五个数据集上进行实验和评估，结果表明与非监督域自适应相比，在需要用较少的目标样本进行标记记录的情况下，FSDA-AR 的表现不逊于非监督领域自适应，在图像、视频等领域具有机器学习、计算机视觉等方面的研究应用价值。
domain adaptationfew-shot learningvideo-based activity recognitionlatent space semantic adjacency lossgraph-attentive-network
发现论文，激发创造
  • SF-FSDA: 高效标记数据工厂的无源少样本域自适应目标检测

    本文提出了一种基于数据工厂的方法，在源域数据不可用的情况下，以有限的少量手动标注示例为辅助，生成无限量的与目标域相似的合成图像及其对应的标注，并在此基础上实现了针对 SF-FSDA 问题的鲁棒目标检测。

    Jun, 2023

  • 自适应特征融合实现活动识别领域通用化

    本文提出了一种适应性特征融合的领域泛化方法（AFFAR），该方法通过将领域不变和领域特定表示相结合来提高模型的泛化能力，在三个公共 HAR 数据集上展开了广泛的实验，并将其应用于儿童注意缺陷多动障碍（ADHD）的诊断，证明了其优越性。

    Jul, 2022

  • 视频基于少样本行为识别模型的跨领域能力理解

    本研究在跨领域少样本动作识别问题中，通过系统性评估已有的单领域、基于迁移的和跨领域方法，发现领域差异与性能之间存在相关性，揭示了一些对 CD-FSAR 方法有效的模型方面，以及需要进一步发展的方面，希望这些洞见能够激发和指导未来在这些方向上的研究工作。

    Jun, 2024

  • 联合自监督时域适应进行动作分割

    本研究提出了一种自监督时序领域自适应方法，将动作分割任务作为一个跨领域问题进行重新构造，通过利用未标记的视频来解决由空间 - 时间变化引起的域间差异问题，同时还使用二进制和连续领域预测两个辅助任务，以匹配局部和全局时间动态的特征空间，表现优于其他域自适应方法，并具有使用更少标记训练数据实现相当性能的优势。

    Mar, 2020

  • 通过学习时间一致性进行动作识别的无源视频域自适应

    本研究提出了一种名为 ATCoN 的新的注意力机制深度神经网络，以解决视频领域无源域自适应的挑战，该网络通过学习特征一致性和源预测一致性来提高时间一致性，并使用预测置信度优化局部与整体时间特征，该方法在不同领域的动作识别基准中表现出卓越的性能。

    Mar, 2022

  • 基于子结构最优传输的跨域活动识别

    本篇论文提出了一种基于子结构匹配的领域自适应（SSDA) 方法，以更好地利用活动数据的局部信息进行精确和高效的知识转移，通过实验验证，在四个公共活动识别数据集上，相对于其他最先进的方法，SSDA 显著提高了 9% + 的分类精度，并且与使用相同超参数的传统基于超参数的 DA 方法相比，其速度提高了 5 倍。

    Jan, 2021

  • 跨视频领域的音频自适应活动识别

    本研究提出了一种基于音频自适应编码器和相关学习方法的活动识别方法，通过处理活动声音进行域自适应，进而解决活动出现场景或视角变化等域漂移问题。实验证明该方法在多个数据集上均有良好表现。

    Mar, 2022

  • 基于聚类的归纳式无监督领域自适应在几类问题中的应用

    本文介绍了一种通过聚类来提高 Few-shot 分类领域适应性的归纳框架 DaFeC，其独特之处在于不需要全面访问测试数据，而是通过构建表示提取器并结合聚类矿工来得到伪标记数据，并通过聚类升级机制来实现更好的目标领域特征，从而提高分类准确性。在 FewRel 2.0 数据集上的实验表明，本文所提出的方法优于之前的研究。

    Jun, 2020

  • 无标签视频中人脸识别的无监督域适应

    通过特征水平领域自适应方法，该文提供一种学习判别式视频帧表示的方法，利用大规模无标签的视频数据，使得模型可以转移从大规模标记的静态图像中获得的判别性知识。实验表明，该方法可大幅度提升视频人脸识别性能，达到最先进的准确性。

    Aug, 2017

  • 泛化的零样本域自适应

    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