ICCVAug, 2023

基于生成的目标结构去偏置的领域自适应

PDF
TL;DR本文提出了一种名为 GeT 的方法，通过学习高质量的伪标签来学习无偏的目标嵌入分布，减轻源数据偏差并增强目标类别可辨识性，进一步通过结构相似性正则化框架缓解目标类别分布偏差并提高目标类别可辨识性，实验证明我们的方法在各种领域适应设置下均有效且有一致的改进。
domain adaptationsemi-supervised learningpseudo labelingsource data biastarget class discriminability
发现论文，激发创造
  • 辅助目标领域分类器的域自适应

    该研究提出一种名为 Auxiliary Target Domain-Oriented Classifier (ATDOC) 的模型，旨在解决在无监督域适应中伪标签分布偏移和分类器偏置的问题。该模型基于最近邻居和内存机制，在多种领域适应基准和半监督任务上显着优于领域对齐技术和先前的半监督技术。

    Jul, 2020

  • 通用源自由域自适应

    该研究提出了一种新的两阶段学习过程，以实现无监督域适应并实现源自由部署。在采购阶段，通过利用现有的源数据，在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力；在部署阶段，通过使用命名为源相似度度量的新型实例级加权机制，提出了一个简单而有效的源自由自适应目标，以设计一个统一的自适应算法，该算法可在各种范畴差异下运作，并实现了卓越的域适应性能。

    Apr, 2020

  • 泛化再适应：无需源域数据的领域自适应语义分割

    本文提出了一种利用多头框架和自学习提取可靠目标伪标签以实现无源自适应的方法，并引入了一个新的条件先验强制自编码器以改善伪标签质量。实验证明该方法在标准测试基准上显示出较高性能，并显示出与在线适应的兼容性。

    Aug, 2021

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 基于相似度的伪标签注入半监督域自适应

    本研究通过引入对比损失和伪标记机制，对半监督域自适应问题进行了有效解决，并在 Office-Home、DomainNet 和 Office-31 数据集上取得了最先进的性能。

    Sep, 2022

  • 标签驱动的域自适应语义分割重建

    该研究提出了一种新的框架来缓解图像翻译偏差问题并将不同领域的特征对齐，该框架通过对目标到源的翻译和从预测标签中重构源和目标图像来实现。实验结果表明，该方法在从合成到真实的城市场景理解中具有良好的效果。

    Mar, 2020

  • 语义分割的对抗性半监督域自适应：标记目标样本的新角色

    该研究论文提出了一种在半监督框架下增强领域适应中对抗学习方法基准的方法，该方法不仅在语义分割和单一域分类器神经网络上具有实用价值，还通过设计新的训练目标损失函数来改善有标签的目标数据表现为源数据或真实目标数据的情况，并提出一种基于熵的无监督选择过程来优化适应中有标签目标样本的选择。实验证明了该方法的竞争性性能。

    Dec, 2023

  • 有条件分布匹配和广义标签偏移的领域自适应

    本文提出了广义标签偏移（$GLS$）的假设来提高对不匹配标签分布的鲁棒性，在此基础上，提供了任何分类器的转移性能的理论保证，并且设计了估算相对类权重以及适当的样本重新加权的必要和充分条件。我们修改三个现有的域自适应 (DA) 算法（JAN，DANN 和 CDAN），评估它们在标准和人工 DA 任务上的性能，并且实验结果表明，在存在大的标签分布不匹配的情况下，我们算法的性能表现得到了显著的提高。

    Mar, 2020

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018

  • 基于伪源域的生成、增强和对齐方法：面向无源领域适应

    本文提出了一种基于伪源域的方法，通过生成和扩充伪源域，引入四种新的基于伪标签的策略 loss 进行分布对齐，并在伪源域和剩余目标域之间引入一个域对抗损失，以减少分布漂移，从而有效地解决了无监督域自适应的问题。

    Sep, 2021