BriefGPT.xyz
Oct, 2023
单次无监督领域自适应的可学习数据增强
Learnable Data Augmentation for One-Shot Unsupervised Domain Adaptation
HTML
PDF
Julio Ivan Davila Carrazco, Pietro Morerio, Alessio Del Bue, Vittorio Murino
TL;DR
通过可学习的数据增强技术,本文提出了一种分类框架来解决一次性无监督领域自适应问题。通过设计具有感知损失和风格转换策略的编码器-解码器架构,我们的方法可以学习如何增强源数据,并使其在知觉上类似于目标。该方法在DomainNet和VisDA这两个领域自适应基准数据集上取得了最先进的性能。
Abstract
This paper presents a
classification framework
based on
learnable data augmentation
to tackle the
one-shot unsupervised domain adaptation
→