Dec, 2023

无源开放集域自适应的未知样本发现

PDF
TL;DRUnknown 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。
open set domain adaptationsource-free osdaunknown sample discoveryjensen-shannon distanceempirical results
发现论文，激发创造
  • 基于不确定性引导的无源域自适应与目标独立类别分离

    该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为 NL-InfoNCELoss 的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

    Apr, 2024

  • 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

  • 开放集域适应用于语义分割

    提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型 (BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。

    May, 2024

  • 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

  • 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

  • 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

  • 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

  • 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

  • 通过未知利用在开放集领域适应中收紧分类边界

    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％。

    Sep, 2023

  • 目标驱动的单次无监督域适应

    本文提出了一种针对仅有一个无标签目标样本进行领域自适应的方法，引入了一种新颖的框架，结合数据增强、样式对齐和分类器三个模块，利用目标样本的风格来指导增强，从而在 Digits and DomainNet 基准测试上优于或与现有方法相当。

    May, 2023