Oct, 2023

SODA: 测试时间数据适配器的稳健训练

PDF
TL;DR通过使用零阶优化方法（ZOO）进行众测数据适应测试，可以改进部署模型在分布变化时的性能降低问题。为了解决受数据适应器可能引起的数据特征破损问题，我们提出了基于伪标签的数据适应方法（SODA），可显著提升部署模型在分布变化下的性能。
distribution shiftsprivacy concernszeroth-order optimizationdata adaptationpseudo-label-robust
发现论文，激发创造
  • 基于数据的 Sim-to-Real 领域自适应方法，用于 3D 语义分割

    本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

    Apr, 2022

  • CoSDA: 持续无源域自适应

    本文介绍了一种 CoSDA 的思想，它是基于源领域内训练的模型，利用一种新的一致性正则化方法来缓解遗忘，采用双速优化师生模型对目标领域进行了训练，并且在连续适应方面优于现有的方法。

    Apr, 2023

  • 主动域自适应中对标签分布偏移的对抗

    提出了一种主动域自适应的方法，通过新的采样策略，在满足代表性、多样性和不确定性的同时，选择最能近似整个目标分布的样本，并使用这些样本进行监督学习以及匹配源域和目标域的标签分布，取得了显著的性能提升。在四个公共基准测试上，本方法在每种自适应情景下均显著优于现有方法。

    Aug, 2022

  • 基于目标导向领域增强的半监督领域适应用于 3D 物体检测

    这篇论文主要介绍了一种针对基于 LiDAR 的 3D 目标检测的新的半监督领域自适应 (SSDA) 方法，名为目标导向域增强 (TODA)，它有效利用了所有可用的数据，包括源领域中的标记数据以及目标领域中的标记数据和未标记数据，以提高域适应性能。通过在目标领域中引入混合增强和点对点对抗增强的策略，TODA 在困难的域适应任务中表现出显著的优势。

    Jun, 2024

  • 无监督域自适应目标检测的免费午餐：无需源数据

    通过建模到一个噪声标签学习问题的框架，我们提出了一种用于无需访问标签源数据的领域自适应目标检测的方法，同时还提出了一个用于生成可靠伪标签的自熵下降度量标准，并通过仿真虚假负样本进行性能的提升

    Dec, 2020

  • 自适应域网络

    提出了一种自适应网络方法，通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题，本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进，验证了方法的可行性并得到了广泛应用

    Jul, 2020

  • SRoUDA: 元自我训练用于强健的无监督域自适应

    本文提出了一种新的元自我训练流程 SRoUDA，通过自训练的范例，SRoUDA 允许直接将 AT 纳入到 UDA 中，并且，在 SRoUDA 中的元步骤进一步有助于由嘈杂的伪标签导致的误差传播的缓解。经过各种基准数据集的广泛实验表明，SRoUDA 在不损害清洁度准确性的情况下实现了显着的模型稳健性的提高。

    Dec, 2022

  • 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

  • 基于不确定性感知伪标签学习的无监督域自适应显著目标检测

    通过使用合成数据集来代替传统的手动标注，本论文提出了一种新的基于不确定性自学习的无监督域适应方法，用于深度学习中的显著物体检测任务，并在多个基准数据集中取得了超过现有深度学习方法的最佳表现，甚至与全监督方法相当。

    Feb, 2022

  • 源标签适应的半监督域自适应

    该论文提出了一种基于源自适应范式的 SSDA 模型，通过清除源标签中的噪声来动态地处理标签噪声，并在基准数据集上比现有方法表现更出色。

    Feb, 2023