Oct, 2023

SIDE: 自我监督的中间领域探索用于无源领域适应

HTML
PDF
TL;DR提出了自我监督中间领域探索（SELF-SUPERVISED INTERMEDIATE DOMAIN EXPLORATION，简称SIDE）方法，通过中间领域循环筛选、领域间的差距过渡以及交叉视图一致性学习，解决了领域自适应中的源域不可用和分布不匹配的问题。实验证明，SIDE在Office-31、Office-Home和VisDA-C等数据集上与现有方法相比具有竞争性的性能。
发现论文，激发创造
  • 少量源标签域自适应交叉领域自监督学习

    本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法，即交叉领域自监督学习方法，它能够有效地学习既具有领域不变性又具有类别判别性的特征表示，它通过自监督学习和跨领域特征匹配实现跨域知识转移，并在三个标准基准数据集上实现了显著的性能提升。

    Mar, 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

  • 无源域自适应

    我们介绍了一种源数据自由的领域自适应方法，使用预训练模型自学习来更新目标模型，通过基于自熵的准则选择可靠样本以定义类的原型，并用伪标签为每个目标样本分配标签以训练目标模型，最终得到比传统领域适应方法更好的结果。

    Jul, 2020

  • 野外环境中的渐进领域适应：中间分布缺失时

    本研究提出了一种自适应方法GIFT，它利用从源域和目标域的例子的表示进行插值，从而在自适应过程中创建中间分布的虚拟样本。同时，GIFT在自适应中生成一个样本的教学计划来逐步适应目标分布。

    Jun, 2021

  • BMD：一种通用的平衡多中心动态原型策略，用于无源领域自适应

    这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

    Apr, 2022

  • 平衡辨识性和迁移性以实现无源域自适应

    在源-无源领域自适应（DA）场景下，本文提出了一种混合原始和对应的泛化样本的解决方案，用于提高领域的转移能力和保护隐私，在现有的无源 DA 方法上实现提高识别和转移的平衡，并在分类和语义分割任务上实现了最先进的性能，在单源和多源场景下均给出实验验证。

    Jun, 2022

  • 无需索引中间域的渐进式领域自适应

    本研究提出了一种新的逐步领域自适应方法，称为Intermediate DOmain Labeler（IDOL），应用了粗到细的框架，通过逐步领域鉴别器训练和循环一致性损失函数，发现中间的领域序列，并提升了自适应性能。

    Jul, 2022

  • 基于交叉注意力的前馈无源隐空域自适应

    本文研究深度学习中前馈源自适应的应用及其改进，通过交叉关注机制自适应目标数据集，探索自动化实例选取提升性能，实验表明我们提出的框架能显著改进现有方法。

    Jul, 2022

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022

  • 无源域自适应中的伪标签解析

    该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的SFDA方法，获得了在VisDA、DomainNet和OfficeHome三个领域自适应数据集上的最新成果。

    Jan, 2024