面向基于主题的领域自适应的面部表情识别
提出了基于多源域自适应方法的两种转移学习框架来执行情感分析,其中关键特征是基于权重方案的无监督领域适应框架和基于两阶段训练的无监督领域适应框架,成果展示了比无监督的最新竞争对手更具有实用性的性能表现。
Jun, 2020
本文提出了第一个基于自我监督预训练和聚类级伪标记的无源自适应方法,通过解决面部表情识别中域偏移和数据保护问题,在 FER 的四种自适应情境下验证了其有效性,并证明其与处理 UDA 下 FER 的现有方法相当。
Oct, 2022
我们提出了一种简单直接的方法来减小不同领域之间的差异,该方法无需进行额外的参数计算,并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域,该模型在决策过程中优先考虑目标领域的风格,在图像级别和浅层特征图级别上解决了该问题,并实现了在目标领域上出色的性能。我们的方法在合成到真实的无监督领域适应任务中取得了显著的性能提升,比如在 GTA->Cityscapes 数据集上达到了显著的 UDA 性能,mIoU 为 76.93%,比先前最先进结果改善了 1.03 个百分点。
Apr, 2024
本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架,该方法将目标域与每个单一源域配对,使用条件对抗性域自适应网络作为分支网络进行训练,并将组合后的多源域和目标域一起作为引导网络进行训练。多个分支网络与引导网络对齐,通过在相应目标数据上通过 JS 分歧正则化约束其预测概率分布来实现互补学习,该方法在多个多源域自适应基准数据集上进行了广泛的实验。结果表明,ML-MSDA 方法优于比较方法,并实现了最新的性能表现。
Mar, 2020
通过知识迁移和自监督学习,提出了一种基于 source-free 的语义分割域适应框架 SFDA,它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下,在语义分割中恢复和保存源域知识。
Mar, 2021
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
本文提出了一种基于黑盒分割模型的无监督域自适应解决方案,利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示,并应用无监督熵最小化来规范目标域置信度,最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。
Aug, 2022
本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制,提供了一篇系统综述文章,介绍了最近提出的无源自适应方法,着重对白盒和黑盒方法进行分类,并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。
Dec, 2022
本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet,该方法可以动态地对多个带标签源领域的知识进行转移,以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法,同时也验证了该方法的优越性。
Dec, 2018