Jan, 2024

增强跨域检测：自适应分类感知对比变换器

PDF
TL;DR我们提出了一种新颖的基于对抗学习和 mean-teacher 框架的类感知跨域检测变换器，通过引入 IoU 感知预测分支、动态类别阈值细化和实例级类感知对比学习模块来解决跨域适应中的标签不足、类不平衡和模型性能下降的问题。实验证明，我们的方法在改善性能和减轻类别不平衡问题方面效果显著优于现有的基于变换器的方法。
detection transformercross-domain adaptationclass imbalanceadversarial learningmean-teacher framework
发现论文，激发创造
  • 多层域自适应学习用于跨领域检测

    提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

    Jul, 2019

  • 域对抗性用于域自适应目标检测

    提出了域对抗 (Domain Contrast, DC)，一种受对比学习启发的简单而有效的方法，可用于训练域自适应检测器。DC 通过交叉域对比损失实现，保证了检测器的可转移性，并自然地缓解了目标域中的类别不平衡问题。广泛实验表明，DC 显著提高了基线和最先进技术，同时展示了大域分歧的巨大潜力。

    Jun, 2020

  • 利用类间动态进行领域自适应物体检测

    我们提出了 Class-Aware Teacher（CAT）来解决域自适应设置中的类别偏差问题，并利用我们的 Inter-Class Relation module（ICRm）来近似类别关系，减少模型内的偏差，从而在高相关类别上使用增强方法以提高少数类别的性能，同时对多数类别影响最小。通过在不同数据集上的实验证明，我们的方法能够解决域自适应设置中的类别偏差问题，在 Cityscapes 到 Foggy Cityscapes 数据集上，我们实现了 52.5 mAP 的性能，显著改进了现有最先进方法的 51.2 mAP。

    Mar, 2024

  • 跨领域少样本学习：自适应变换网络

    提出了一种自适应变压器网络 (ADAPTER) 作为跨领域少样本学习的简单而有效的解决方案，它建立在双向交叉注意力的思想上，学习两个领域之间的可转移特征，并通过 DINO 训练以避免监督崩溃问题。进一步提出了标签平滑方法来提高嵌入空间中近邻样本的预测一致性和可靠性。在 BSCD-FSL 基准测试中，ADAPTER 的性能得到了严格评估，表现优于以往的方法。

    Jan, 2024

  • 将对比学习融入多任务 Transformer 模型以实现有效的领域自适应

    提出一种新颖的领域适应技术，采用 SER 作为主任务、对比学习和信息最大化损失作为辅助任务的多任务框架，借助在大型语言模型上进行微调的 transformer 实现跨语料库情感识别的最新性能。

    Oct, 2023

  • 领域自适应目标检测：自训练与对抗学习之间的平衡

    利用模型的预测不确定性在领域迁移中实现对抗特征对齐和类别级对齐之间的平衡，从而在各种适应场景中超越现有的最先进方法。

    Nov, 2023

  • 目标检测渐进领域自适应

    该论文提出了一种介质域方法，使用深度学习、对抗损失等技术实现物体检测领域的域自适应，提高了目标域的检测性能。

    Oct, 2019

  • 兼顾两种世界：面向领域的 Transformer 用于无监督领域自适应

    提出了一种基于 Domain-Oriented Transformer 的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 2022

  • 多域文本分类的鲁棒对比对齐方法

    该研究提出了一种旨在通过监督对比学习将多个领域的文本分类特征对齐到同一特征空间中的稳健对比对齐方法，以实现多领域文本分类，消除了新兴领域增多带来的效率低下问题，从而只需两个通用特征提取器。实验结果表明，该方法在多个领域中效果良好。

    Apr, 2022

  • 回顾标签：一种基于类别的领域自适应技术

    针对多类分类问题的领域适应问题，我们提出了一种基于对抗鉴别器的方法，并采用了有关分类结构的信息，得到了在基准数据集上的最优结果。

    Apr, 2019