无源自适应域无监督交叉干预网络
本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题,并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异,具有更好的特征鉴别能力。
Jan, 2019
该研究提出了一种名为 DINE 的新的领域自适应方法,该方法仅使用黑盒源模型进行知识转移,并通过蒸馏和微调的两步方法来适应目标领域,不需要访问原始源数据,并能够在低资源设备上实现有效的自适应。
Apr, 2021
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
本文提出了一种基于 Transformer 的无监督领域自适应方法 CDTrans,采用双向中心感知标签算法生成准确的伪标签,采用权值共享的三支架 Transformer 框架对源 / 目标特征学习和源目标领域对齐进行自关注和交叉关注,实现了同时学习区分性领域 - 特定和领域不变表示的显式设计,实验证明该方法在公共数据集上的表现优于现有方法。
Sep, 2021
该论文提出了一种在无监督领域适应的情况下,采用自我监督学习的对比方法以减少培训和测试集之间的领域差异,实现了简单而有效的领域对齐框架 CDCL,并使用伪标签进行评估, 这种方法可以应用于无需数据源的情况并在图像分类方面取得了最先进的性能。
Jun, 2021
本研究提出了一种测试时间域自适应评估框架,该框架表明了针对测试数据进行领域适应可以优于在目标领域中看到更多数据的领域适应方法,支持无监督域自适应应在测试时间使用,即使只使用单个目标领域主题。
Oct, 2020
本文提出了一种源自由的无监督领域自适应方法,使用预先训练的源模型和未标记的目标图像,通过数据增强和一致性目标来捕捉不确定性,并且鼓励特征生成器在决策边界外学习一致的视觉特征,以增强模型对图像扰动的鲁棒性,并且利用超空间对齐和内空间一致性来减少源域和目标域之间的领域差距,实验结果表明,该方法对于图像扰动具有更强的鲁棒性。
Aug, 2022
本研究提出了一种新方法,通过域自适应和无监督知识蒸馏,联合优化卷积神经网络,实现压缩模型并适应于特定目标领域,结果表明该方法在实现较高准确度的同时,比现有的压缩和域自适应技术具有相当或更低的时间复杂度,在实际应用中有较好的应用前景。
May, 2020
本文提出了一种使用注意力对齐和后验标签分布估计的卷积神经网络自适应无监督域适应的方法,在 Office-31 数据集上超过其他最先进的方法 2.6%。
Jan, 2018
以无监督域适应和无源自适应方法为研究对象,通过研究 ImageNet 与源域及目标域之间的相关性及 ImageNet 对目标风险的影响,发现现有方法存在的关键限制,并提出了一种新的框架 TriDA,通过保留预训练数据集(即 ImageNet)的语义结构来提升适应性能。实验证明,TriDA 在各种无监督域适应和无源自适应评估中取得了最先进的性能。
Aug, 2023