Dec, 2023

基于实例加权的无监督领域自适应的统一框架

PDF
TL;DR针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法，我们全面研究了四种不同的无监督域自适应设置，包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应，其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概率，我们提出了一种名为无监督域自适应学习实例加权（LIWUDA）的新方法，通过构建加权网络、设计权重最优传输（WOT）和小批量实例的分隔与对齐（SA）丢失来解决这些挑战。通过实验评估，验证了提出的 LIWUDA 方法的有效性。
unsupervised domain adaptationinstance weightingoptimal transportcommon/private classesdomain discrepancy
发现论文，激发创造
  • 无监督领域自适应的动态加权学习

    本文提出动态加权学习（DWL）的方法，通过引入对齐度和可辨识度的权重动态调整，解决视域不匹配和可辨性消失的负面转移问题，并通过样本加权解决跨域样本分布不平衡问题，从而在多个基准数据集中表现出极好的性能。

    Mar, 2021

  • SWL-Adapt：基于样本权重学习的无监督领域自适应模型，用于跨用户可穿戴人体活动识别

    本论文提出了一种新的基于样本权重学习的无监督领域自适应方法，称为 SWL-Adapt，用于解决新用户的穿戴式人体活动识别性能下降的问题，并在三个公共数据集上进行了广泛的实验，结果显示 SWL-Adapt 在跨用户的 WHAR 任务中表现优异，平均准确度和宏 F1 分数分别达到了 3.1％和 5.3％的最佳基线以上。

    Nov, 2022

  • 基于梯度的类别加权在密集预测视觉任务中的无监督领域自适应

    该论文提出了一种通过梯度的类权重估计来动态调整无监督领域自适应学习损失函数的类别平衡策略，名为基于梯度的类权重学习（GBW），在密集预测视觉任务中取得有效结果，尤其对于语义和全景分割任务能够提高低表征类的召回率。

    Jul, 2024

  • 基于权重的域自适应掩码

    在计算机视觉中，本文提出 Weight-based Mask Network (WEMNet) 方法，采用 Domain Ignore Module (DIM) 和 Semantic Enhancement Module (SEM) 来解决传统无监督域适应 (UDA) 方法存在的问题，通过权重进行特征提取和分类，实现对前景特征的重点关注，该方法在经典 UDA 数据集上实现了更高的准确性。

    Apr, 2023

  • 鲁棒领域自适应：表示、权重和归纳偏差

    本文研究在无监督领域适应中，加权样本的重要性抽样策略与不变表征相互作用的理论方面，并提出了一种改进的学习算法，旨在加强归纳偏差，减轻适应过程中可能存在的标签偏移问题。

    Jun, 2020

  • 多源交叉领域分类中基于领域特定分布和分类器的对齐

    本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。

    Jan, 2022

  • 无监督多源域自适应，无需访问源数据

    该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

    Apr, 2021

  • 深度无监督域自适应：近期进展和展望综述

    深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

    Aug, 2022

  • 简化版神经网络无监督域自适应

    本文研究了无监督领域自适应的方法，使用神经网络学习表示来预测重要特征的子集，并探讨了联合训练表示和任务学习者、现有枢轴选择方法的重要性。

    May, 2019

  • 无精确共享类别的多目标无监督域适应

    本文提出了一种针对具有一个源域和多个目标域的无监督域适应场景 (1SmT) 的模型参数自适应转移的无监督域适应框架 (PA-1SmT)，该框架通过学习一个共同的模型参数词典进行知识转移，并在三个领域适应基准数据集上实验验证了其优越性。

    Sep, 2018