Oct, 2023

具有类别级别梯度对齐的双判别器领域对抗神经网络

PDF
TL;DR我们提出了一种新的双判别器域对抗神经网络，即 BACG，通过类级梯度对齐和证据学习理论来解决无监督域适应中的挑战，并且在四个基准数据集上进行的广泛实验和理论分析验证了算法的有效性和健壮性。
unsupervised domain adaptationbi-discriminator domain adversarial networkclass-level gradient alignmentevidential learning theorycontrastive learning
发现论文，激发创造
  • 双向生成无监督域适应

    本研究提出了双向生成领域自适应模型，通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构，使用跨领域对齐约束来进一步增强性能，设计了两个分类器，联合优化以最大化目标样本预测的一致性。广泛的实验证明，我们提出的模型在标准跨域视觉基准上优于现有技术。

    Feb, 2020

  • 对抗式二分图学习用于视频领域自适应

    本文提出一种跨域学习的视频分类器，通过 Adversarial Bipartite Graph 模型学习源域与目标域之间的交互，增强模型的泛化能力，并在半监督学习中扩展了该模型，实验结果表明该方法在视频识别任务上优于当前最佳方法。

    Jul, 2020

  • 非监督领域自适应的双分类器确定性最大化

    本文提出了一个简单而有效的方法 —— 双分类器决定性最大化（BCDM），通过鼓励目标预测输出结果的一致性和确定性，同时以敌对方式维护预测多样性，来解决在目标领域中分类器决定性不足导致的特征区分度不足问题，实现从一个有标签的源域迁移到一个无标签的目标域的无监督领域自适应问题。

    Dec, 2020

  • 跨域梯度差异最小化用于无监督域自适应

    本文提出了一种跨域梯度分歧最小化方法，使用聚类自监督学习获得目标伪标签，显式地最小化源样本和目标样本生成的梯度差异，以提高目标样本的准确性，实验证明该方法优于许多先前的最新技术

    Jun, 2021

  • 从源到目标再到源：对称双向自适应 GAN

    本研究提出了一种对称映射的生成对抗网络用于不同领域的图像之间进行双向的图像变换，并结合目标自我标记和新的一致性分类损失来优化生成器的输出，实验表明该方法能超越前人在四个基准数据集中无监督领域适应方面的最新研究进展。

    May, 2017

  • 领域自适应回归对抗双重回归网络

    本文提出了一种名为 Adversarial Bi-Regressor Network (ABRNet) 的方法，旨在通过采用对抗训练机制和领域特定的数据增强模块，帮助解决领域自适应回归（DAR）问题，实现在室内（Wi-Fi）定位等特定任务中学习跨领域回归模型的目的。

    Sep, 2022

  • 对抗式判别领域自适应

    本文介绍了对抗学习的方法能够通过一般化的视角更好地理解前面的方法，并提出了一个新的对抗判别域自适应框架，称为 ADDA，它将判别建模、解除权重共享和 GAN 损失结合在一起，优于竞争的域对抗方法，且在标准的跨域数字分类任务和一种新的更难的跨模态物体分类任务中超越了最新的无监督适应结果。

    Feb, 2017

  • 神经网络的领域对抗性训练

    本文提出了一种新的领域适应的表示学习方法，使用神经网络架构从源域的有标签数据和目标域的无标签数据中推断出训练的特征，该方法增加了标准层和一个新的反向梯度层，可以在文本情感分析、图像分类以及人员重新识别等任务中有效实现领域适应。

    May, 2015

  • 判别式对抗领域自适应

    提出了一种基于判别式对抗领域适应 (DADA) 的新型对抗学习方法，其鼓励在输入实例的任何情况下，类别和域预测之间存在相互抑制关系，以解决现有方法中任务和域分类器相互独立导致的收敛问题，该方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。除传统的闭集领域适应以外，还将 DADA 扩展到部分和开放集领域适应的极具挑战性的问题设置中，在基准数据集上实验表明了该方法的有效性并达到了三个场景下的最新成果。

    Nov, 2019

  • 领域对抗神经网络

    本研究提出了一种针对领域自适应问题的新型表示学习算法，其中训练和测试数据来自类似但不同的分布，实验结果表明，我们的神经网络算法对领域适应具有更好的性能表现，而不管是标准神经网络还是支持向量机，即使是使用 Chen 等人提出的最先进的边缘化堆栈去噪自编码器的输入特征提取。

    Dec, 2014