Jul, 2023

通过协同一致性训练实现通用半监督模型适应

PDF
TL;DR提出了一种称为 Universal Semi-supervised Model Adaptation (USMA) 的现实和具有挑战性的领域适应问题，该问题需要预训练的源模型，允许源域和目标域具有不同的标签集，并且在目标域中每个类别只需要少量标记样本。为了解决 USMA 问题，提出了一种协同一致性训练框架，通过在两个模型之间正则化预测一致性来结合它们的互补优势，以学习更强大的模型，并提出了一种基于样本和类别的一致性正则化方法来改善训练过程。在几个基准数据集上的实验证明了我们方法的有效性。
发现论文，激发创造
  • 多目标域自适应与协作一致性学习

    本文提出了一种协同学习的框架，在不需要额外的标注数据的情况下实现多目标领域自适应。通过专家模型训练和权重规范化来得到单模型适用于多目标领域的结果，并且在多个任务上表现出了不俗的效果。

    Jun, 2021

  • 通过减少共同类别偏置来进行普适半监督领域自适应

    通过引入新的先验引导的伪标签优化策略，提出了一种改善 UniSSDA 适应性设置中常见类别偏差的方法，有助于在 Office-Home、DomainNet 和 VisDA 等基准数据集上取得最佳性能，并为 UniSSDA 建立了新的基准线。

    Mar, 2024

  • 语义分割的联合集合多源模型适配

    本文旨在解决语义分割中的多源模型适应性问题，在新的联合多源模型适应设置下提出了一种新的学习策略，称为模型不变特征学习，并在不同的适应性设置中进行了广泛实验以证明该算法的卓越性能。

    Dec, 2022

  • 预训练和一致性帮助简单半监督领域自适应

    该研究展示出半监督领域自适应 (Semi-Supervised Domain Adaptation, SSDA) 可以在不需要特征对齐的情况下学习一个精度较高的目标分类器，使用自监督预训练和一致性正则化等简单技术可以实现良好的目标集群分离效果，超越多种对抗领域对齐方法在多个数据集上实现了卓越的目标精度。

    Jan, 2021

  • 无监督模型适应连续语义分割

    本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

    Sep, 2020

  • 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

  • 通用半监督语义分割

    本文提出了一种通用的半监督语义分割框架，旨在在各种应用领域实现更低的注释和部署成本，并通过像素感知熵正则化的特征对齐目标来最小化有监督以及无监督损失，以实现在多个领域中都能使用单一模型，利用少量标记实现性能提升，同时可以处理不同领域的标签空间不同的问题。

    Nov, 2018

  • SUMMIT: 单模型无源适应到多模态目标

    我们提出了一种通过自动选择两种互补的交叉模态伪标签融合方法（一致性过滤和熵加权），来解决在没有访问原始源数据集的情况下，将在单模数据上独立训练的一组模型调整到由未标记的多模数据组成的目标领域的问题。

    Aug, 2023

  • 半监督域自适应的多层一致性学习

    本文提出了一种基于多级一致性学习的半监督域自适应框架，其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域，使用新颖的类内对比聚类损失促进目标特征表示的学习，遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明，该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。

    May, 2022

  • 基于协作学习的多源域自适应语义分割

    本文提出了一种新颖的基于协作学习的多源领域自适应框架，通过像素值分布的对齐和伪标签的约束来充分利用多个源域的语义信息，同时通过图像翻译使源域与目标域之间的差距减小，经实验证明，在语义分割任务中，该方法在 Cityscapes 数据集的验证集上获得 59.0％的 mIoU，显著优于所有之前的单一和多源无监督领域自适应方法。

    Mar, 2021