Jul, 2023

主动多域适应的动态域间差异调整

HTML
PDF
TL;DR多源无监督领域适应（MUDA）旨在将相关源领域的知识转移至无标签的目标领域。本文提出了一种名为动态领域差异调整的主动多领域适应方法（D3AAMDA），通过建立多源动态调制机制和多源主动边界样本选择策略（MABS）来解决MUDA方法的问题，并在常用领域适应数据集上对提出的方法进行了广泛评估，实验结果明确证明了该方法的优越性。
发现论文，激发创造
  • 无监督领域自适应的渐进特征对齐

    本文提出了渐进特征对齐网络(PFAN)对无监督域自适应问题进行解决, 通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤, 使得模型能够有效地完善交叉领域的分类一致性。

    Nov, 2018

  • 多源域自适应的时刻匹配

    本文提出并介绍了一种基于Moment Matching的多源领域适应方法(M3SDA)。借助我们构建的数据集DomainNet，该方法可以动态地对多个带标签源领域的知识进行转移，以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法，同时也验证了该方法的优越性。

    Dec, 2018

  • 多源域适应的动态传递

    本文提出动态转移(Dynamic Transfer)方法应对多源领域间的冲突，它能够通过对样本进行模型参数的适应性调整，突破领域界限，简化源域和目标域之间的对齐。实验结果表明，我们提出的动态转移方法在多源领域适应数据集(DomainNet)上可以将性能提升超过3%。

    Mar, 2021

  • 多源交叉领域分类中基于领域特定分布和分类器的对齐

    本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。

    Jan, 2022

  • 兼顾两种世界：面向领域的Transformer用于无监督领域自适应

    提出了一种基于Domain-Oriented Transformer的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 2022

  • 深入研究连续领域自适应

    本文提出了连续域自适应（CDA）问题，并提出了一种新颖的方法作为 CDA 基线。该方法通过交替训练策略、连续性约束和域特定队列等手段，在多个域之间降低差异性并泛化到未见目标域，从而在CDA问题中实现了最优性能。

    Aug, 2022

  • 分割与适应：通过定制学习实现主动领域适应

    Divide-and-Adapt (DiaNA) is an active domain adaptation framework that utilizes active learning techniques and a customized learning strategy to accurately recognize gainful samples and handle data with large variations of domain gap.

    Jul, 2023

  • 多源主动域转移中的领域偏移和样本不确定性重新审视

    提出了一种动态集成不确定性估值框架（Detective），通过学习适应多源域的模型参数来兼容多源域的联合，综合考虑多源域与目标域之间的领域偏移，使用证据深度学习来探测信息量大的目标样本，并引入上下文多样性感知计算器来增强选定样本的多样性。实验证明，该解决方案在三个领域适应基准上的表现显著优于现有方法。

    Nov, 2023

  • D3GU：通过增强领域对齐实现多目标主动领域自适应

    提出了一种名为D3GU的多目标主动域自适应框架，通过应用分解的域判别(D3)和梯度效用(GU)分数，实现源-目标和目标-目标域的对齐，同时还结合了K均值聚类进行样本选择，通过广泛实验证明D3GU在多目标主动域自适应方面具有一致优越的性能。

    Jan, 2024

  • 无源无监督领域自适应中的关键设计选择：一项深入实证分析

    通过综合基准评估方法，本研究针对图像分类中的无源无监督领域自适应（SF-UDA）提供了一个全面的基准框架，旨在实现对SF-UDA方法中多个关键设计因素之间复杂关系的严格经验理解，并对多种SF-UDA技术进行了实证研究，评估它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构下的适用性，强调了主干架构和预训练数据集选择对SF-UDA性能的重要性。

    Feb, 2024