ICCVAug, 2023

选择适应：少样本领域适应的支持集选择

PDF
TL;DR深度神经网络广义化在训练（源）数据和测试（目标）数据之间遇到分布偏移时容易受到攻击。本文探讨了通过使用从目标领域中随机选择和注释的支持集，将在源领域上预训练的深度神经网络适应到目标领域时随机选择支持集可以进一步进行改善。我们提出了 SelectNAdapt 算法来筛选目标领域样本，并将其注释并纳入支持集。在 K-shot 适应问题中，我们首先利用自监督学习目标领域数据的特征。然后，我们提出了一种基于距离评分函数的目标领域特征的每类聚类方案，并选择 K 个代表性目标样本。最后，我们通过使用伪标签对语义相似目标领域样本进行聚类，将选择设置转移到实际场景中。与相关方法和标准随机选择相比，在三个用于图像识别的少样本领域适应基准测试上，我们的实验结果显示出了很好的效果。
发现论文，激发创造
  • 预训练网络的少样本领域适应

    提出了一种少样本领域自适应框架，通过受目标域的一个小支持集合监督的预训练源模型中的特征标准化统计的约束优化，可改善源模型的分类性能，实验证明该方法优于测试时适应方法，并且没有实时流条件的限制。

    May, 2022

  • 少样本对抗性域自适应

    采用对抗训练来学习嵌入的子空间，同时最大化两个域之间的混淆并在语义上对齐它们，解决了少量有标签目标数据样本的深度模型的有监督域自适应问题。

    Nov, 2017

  • Few-Max: 无监督对比表示学习的少样本领域自适应

    本文提出了一种面向 Few-Shot 自监督对比学习的域自适应方法 Few-Max，旨在解决在目标分布下自适应问题。使用各种来源和目标数据集对 Few-Max 进行了评估，证明其在表示质量方面始终优于其他方法。

    Jun, 2022

  • 领域自适应几样本开放集学习

    我们提出了一种新颖的方法，称为域自适应少样本开放集识别（DA-FSOS），并引入了一种基于元学习的架构命名为 DAFOSNET。我们的模型通过在给定完全监督的源域和标签独立的少样本目标域的情况下创建伪开放空间决策边界来学习共享和可区分的嵌入空间，并使用一对具有可调噪声方差的条件对抗网络来增强数据密度。此外，我们提出了一种特定于域的批归一化类原型对齐策略，通过新的度量目标在全局上对齐两个域，同时确保类别辨别性。我们基于 Office-Home、mini-ImageNet/CUB 和 DomainNet 数据集提出了 DA-FSOS 的三个基准，并通过广泛的实验验证了 DAFOSNET 的有效性。

    Sep, 2023

  • 单源深度无监督视觉域自适应综述

    本文综述了最新的单源深度无监督域适应方法，主要集中在视觉任务中，并讨论了未来研究的新视角。首先介绍了不同领域适应策略的定义和现有基准数据集的描述，然后总结和比较了不同类别的单源无监督域适应方法，包括基于差异性的方法，对抗式鉴别方法，对抗式生成方法和自监督方法，并探讨了未来的研究方向、挑战和可能的解决方案。

    Sep, 2020

  • 领域自适应少样本学习

    本文提出一种新的面向领域自适应少样本学习（DA-FSL）的解决方案，即基于领域对抗性原型网络（DAPN），该模型通过显式增强源 / 目标每类别的区分性在域自适应特征嵌入学习之前，以实现全局领域分布对齐，同时保持源 / 目标每类别的差异性从而提高 FSL 的性能。实验表明，DAPN 模型优于现有的 FSL 和 DA 模型及其简单组合。

    Mar, 2020

  • 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

  • 图像和行为识别的开放域适应性

    提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法，该方法在图像分类和动作识别等任务上实现了最先进的结果。

    Jul, 2019

  • Few-shot 自适应 Faster R-CNN

    提出一种名为 FAFRCNN 的基于源域数据训练的检测器的 few-shot adaptation 方法，通过配对机制和双层模块来实现对目标域中目标检测的准确性提高。

    Mar, 2019

  • 反向传播实现的开放集域自适应

    该研究提出了一种利用对抗训练的开放式域自适应方法，其中分类器被训练用于在源与目标样本之间建立边界，而生成器被训练用于使目标样本远离边界，从而摆脱未知的目标样本，该方法在领域适应设置中得到了广泛的评估，并在大多数设置中优于其他方法。

    Apr, 2018