AAAIJan, 2024

通过数据增强域自适应实现基于代理的深度度量学习的改进

PDF
TL;DR使用数据增强的领域自适应方法改进了代理度量学习，通过对鸟类图像、汽车图像、产品图像和衣物图像的实验表明，该方法显著提高了现有代理损失方法的效果，并获得了优于现有方法的结果。
deep metric learningproxy-based dmlproxy-to-sample distancedistribution alignmentdata-augmented domain adaptation
发现论文，激发创造
  • 软正交代理的深度度量学习

    本文提出了一种基于 Soft Orthogonality (简称 SO) 的新方法来解决深度度量学习 (DML) 中代理点出现的问题，并结合数据高效的图像变换器 (DeiT) 作为编码器提取图片的上下文特征，以数据集检索等实验结果表明该方法在超越现有技术的同时，还具有更高的可靠性和实用性

    Jun, 2023

  • 基于语义数据增强的距离度量学习用于领域泛化

    该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。

    Aug, 2022

  • M-ADDA：深度度量学习的无监督领域自适应

    我们提出了一种度量学习方法和对抗学习相结合的方法（M-ADDA）用于无监督领域自适应，M-ADDA 在提取源和目标数据集的特征时使用了类似 ADDA 的结构，同时优化了一种鼓励目标数据嵌入形成聚类的新损失函数，其中表明在 MNIST 和 USPS 的数字自适应数据集上 M-ADDA 表现显著优于 ADDA，这表明使用度量学习的领域自适应可以大幅提高领域自适应任务的分类准确性。

    Jul, 2018

  • 密度自适应的深度度量学习

    本论文提出将数据的密度测量集成到 DML 的优化框架中，以在端到端的训练过程中自适应平衡类间相似性和类内变异性，通过在三种嵌入方式上增加密度适应性，不断地在三个公共数据集上展示清晰的改善。

    Sep, 2019

  • 使用代理实现无需繁琐的距离度量学习

    使用 proxy 点的三元组损失函数能够更快速地优化距离度量学习，提高零样本学习数据集的精度至多 15％，且比其他三元组损失函数的收敛速度块 3 倍。

    Mar, 2017

  • 无监督领域自适应语义分割的多对抗训练正则化代理

    通过提出代理标签方法，使用多重对抗训练产生高质量标签，使得深度模型能够在目标域上进行带监督的训练，以解决语义分割过程中像素级别标注数量巨大，使其难以扩展。

    Jul, 2019

  • 基于代理的非各向同性概率深度度量学习

    该研究提出了基于概率的代理深度度量学习方法，使用方向 von Mises-Fisher（vMF）分布对图像进行建模，以更好地表示类特定差异，并比较了多个分布到点和分布到分布度量之间的代理 - 图像距离，表现出具有不确定性感知能力，更好的梯度性能和整体改进的泛化性能。

    Jul, 2022

  • 基于原型多层学习的半监督域自适应

    本文提出了一种基于多级原型学习的半监督域自适应框架，采用伪标签聚合和交叉域对齐损失方法，以及通过原型相似度和线性分类器提升目标特征表示的判别性学习，实现了在三个数据集上卓越的 SSDA 性能。

    May, 2023

  • 面部反欺诈的自领域适应

    本研究提出了一种自适应框架以应对面部反欺骗技术面临的跨域泛化问题，使用基于元学习的领域自适应算法，利用未标记的测试域数据来更新适配器以进一步提高性能。在四个公共数据集上的实验证明了该方法的有效性。

    Feb, 2021

  • 使用代理标签的策略课程进行自适应语义分割

    本文提出一种新的深度学习网络架构，通过混合有标号源领域和代理标号目标领域的数据，利用网络的自我预测生成代理标签，实现了高效的无监督域自适应，其在合成到真实领域自适应和地理领域适应方面均表现出了优势。

    Nov, 2018