Dec, 2023

MLNet: 具有邻域不变性的互学习网络用于通用域适应

HTML
PDF
TL;DR我们提出了一个新颖的具有邻域不变性的相互学习网络方法（MLNet），通过自适应邻居选择和置信度引导的不变性特征学习来减少目标域内的内部变化，通过交叉领域混杂方案进行更好的未知类别识别，互学习闭合集和开放集分类器以弥补已知类别错误的识别。在三个公开基准测试中，广泛的实验证明我们的方法在大多数情况下均取得最佳结果，并且在UniDA的四个设置中显著优于基线。
发现论文，激发创造
  • 相似性学习的无监督域自适应

    本文提出一种基于相似性学习和原型表示的分类方法，能够在无监督领域适应中学习特征，并实现跨域分类任务，在多种常见场景下表现出最先进的性能水平。

    Nov, 2017

  • 无监督多类域自适应：理论、算法和实践

    本文介绍了一种基于MCSD的多类域间自适应的学习方法(Multi-class Domain-adversarial learning Networks （McDalNets）), 通过使用数据相关的 PAC 常数, 研究了其有效性, 并引入了结合了领域混淆和歧视的新型敌对策略的域对称网络（SymmNets）来提高多类域间自适应性能。

    Feb, 2020

  • 多源领域自适应互相学习网络

    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

  • 跨领域自监督原型学习用于少样本无监督领域适应

    本文提出了一种端到端的Prototypical Cross-domain Self-Supervised Learning (PCS)框架，通过在共享嵌入空间中编码和对齐语义结构，不仅执行跨域低级特征对齐，而且捕捉数据的类别间语义结构。与最先进的方法相比，PCS在FUDA上在不同域对之间的平均分类精度分别提高了10.5％，3.5％，9.0％和13.2％。

    Mar, 2021

  • 噪声普适领域自适应的发散优化

    本文提出了一种名为Noisy UniDA的现实情况下的通用域适应解决方案，它使用卷积神经网络框架来检测源域中带有噪声的样本，查找目标域中的未知类别，并实现源域和目标域的分布对齐。在不同的领域适应设置的广泛评估中，所提出的方法在大多数设置中都比现有方法表现优异。

    Apr, 2021

  • OVANet: 一对多网络用于通用领域自适应

    本文介绍一种使用最小类间距离阈值的通用领域适应（UNDA）方法，该方法使用源样本学习该阈值并将其适应于目标领域，同时训练一种基于一对所有分类器的学习方法。

    Apr, 2021

  • 吸引和分散：一种用于无源域自适应的简单方法

    提出一种用于领域自适应的无源自适应方法,通过将SFDA视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.

    May, 2022

  • 通过发散最优化实现视觉识别的噪声通用领域自适应

    本文提出了一个名为“不清晰统一域适应”的新颖场景，以应对源域中存在噪声数据且目标域中存在未知类别分布的情况。文章将多标头卷积神经网络作为解决该场景下在同一模型中同时解决存在噪声数据、未知类别与源域/目标域分布不同等挑战的方法，并在多个场景下验证了该方法的有效性和优越性

    Apr, 2023

  • 让UDA中的U有意义：无监督领域自适应的不变一致性学习

    通过提出不变的一致性学习 (ICON) 方法，本研究在领域自适应和无监督领域适应方面取得了最先进的性能，并在具有挑战性的 WILDS 2.0 基准测试上优于传统方法。

    Sep, 2023

  • 利用近似共享特征连接领域

    多源领域适应中的特征选择以及基于方差相关性的统计框架，通过学习过程提取近似共享特征，达到解决多源适应中优化策略的目的。

    Mar, 2024