Sep, 2023

通过未知利用在开放集领域适应中收紧分类边界

HTML
PDF
TL;DR通过提取未知实例的高置信度集合，并将其用作限制条件来收紧开放集域自适应方法的分类边界，改进了开放集域自适应方法。在包含Office-31和Office-Home数据集的广泛实验中，对OVANet进行评估，观察到连续改进的结果，Office-31的准确率和H-Score绝对增益高达1.3％，Office-Home的准确率增益为5.8％，H-Score增益为4.7％。
发现论文，激发创造
  • 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

  • 学习因子化表示的开放式域自适应

    我们提出了一个能够将数据因子化为共享和私有部分并鼓励共享表示具有判别性的框架，以自动检测目标数据中出现的新类别并将其丢弃，从而在开放域适应中显著优于现有技术。

    May, 2018

  • 开放集领域适应：理论界限与算法

    本文提供了第一篇研究开放领域自适应的学习界限，并提出了一种基于分布对齐的新型无监督算法，该算法旨在正则化开放集差异界限，实验证明所提出的 UOSDA 方法优于现有文献中的最新方法。

    Jul, 2019

  • 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

  • 开放集域自适应的理论界限和深度算法间的桥梁

    该研究提出了一种新的无监督开放式域自适应方法，其中提出的上限包括四个术语：源域风险，ε-开放集差异，域之间的分布差异和一个常数。模型训练完成后，其表现在多个基准数据集，包括数字识别(MNIST，SVHN，USPS)，物体识别(Office-31，Office-Home)和人脸识别(P：IE)方面已经达到了最先进水平。

    Jun, 2020

  • 图像旋转对于开放领域适应的有效性研究

    该研究提出一种新的自监督学习方法，通过旋转识别任务来解决开放集领域适应中的已知/未知样本分离及其性能评估问题，并在Office-31和Office-Home基准测试中表现出较好的性能和可重复性。

    Jul, 2020

  • 基于进阶图学习的无源开放域自适应

    本文提出了一种逐步的伪标记方法来实现源自由的开放域适应，并引入了平衡伪标记（BP-L）策略来加强模型的分类扩展性和预测校准性能，在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。

    Feb, 2022

  • 面向开放域自适应的未知感知领域对抗学习

    本文提出一种基于Unknown-Aware Domain Adversarial Learning（UADAL）的开放领域适应方法，该方法在特征对齐过程中同时对齐源和目标已知分布，隔离目标未知分布，实现了特征对齐和目标未知类别的理论保证，实验结果表明此方法胜过其他方法并表现出最先进的性能。

    Jun, 2022

  • 混合专家用于开放域自适应：一种双空间检测方法

    Open Set Domain Adaptation (OSDA) is addressed using a Mixture-of-Expert (MoE) framework, where Dual-Space Detection detects unknown class samples by exploiting inconsistencies between the image feature space and the routing feature space, and Graph Router utilizes spatial information among image patches to improve accuracy and effectiveness.

    Nov, 2023

  • 无源开放集域自适应的未知样本发现

    Unknown Sample Discovery (USD)是一种利用时间集成的教师模型进行已知-未知目标样本分离并通过协同训练和教师学生之间的时间一致性将学生模型适应于目标领域的SF-OSDA方法，着重推进Jensen-Shannon距离（JSD）作为已知-未知样本分离的有效度量。

    Dec, 2023