Feb, 2024

适应目标领域演变的渐进式保守适应

PDF
TL;DR通过渐进地更新类原型进行细化，采用保守稀疏注意力机制限制关键维度的特征适应，以实现历史知识的保留和快速分类器适应的元学习框架，解决了逐渐演化的目标领域自适应问题，并通过 Rotated MNIST、Caltran 和 Portraits 数据集的实验证明了方法的有效性。
evolving domain adaptationprogressive conservative adaptationclassifier headconservative sparse attentionmeta-learning framework
发现论文，激发创造
  • 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

  • 基于渐进式目标风格特征增强的点云无监督领域自适应

    在无监督领域自适应任务中，本文提出了一种名为 PTSFA 的新方法，重点在于分类器适应性，通过渐进式目标样式特征增强来使分类器能够识别目标领域样式的源特征，并逐渐适应目标领域。本方法在基准数据集上验证，达到了最新的最优性能。

    Nov, 2023

  • 自适应累积知识迁移用于部分领域自适应

    本文介绍了一种自适应积累知识传递框架（A $^ 2$ KT），其中包括自适应积累机制，双特征分类器结构以及最大化聚类中心差异性和最小化聚类紧密度以获得更多领域不变性和任务特定的共享类别数据区分能力，该框架旨在解决部分域适应问题。复杂的实验表明该模型比当前 PDA 方法表现更优秀。

    Aug, 2020

  • 学习发现知识：一种弱监督部分领域适应方法

    本文介绍了一种简单而有效的基于自适应学习的域自适应方法，称为自适应迁移分类器学习（SP-TCL），用于解决弱监督下的部分域自适应问题，通过精心设计的损失函数发现准确知识并在遵循自适应学习方案下从源域中迭代地排除示例，实现了目标域的成功适应，多项基准测试结果表明 SP-TCL 在多个广义域适应任务中明显优于现有方法。

    Jun, 2024

  • 无监督领域自适应的渐进特征对齐

    本文提出了渐进特征对齐网络 (PFAN) 对无监督域自适应问题进行解决，通过使用 Easy-to-Hard Transfer Strategy 和 Adaptive Prototype Alignment 步骤，使得模型能够有效地完善交叉领域的分类一致性。

    Nov, 2018

  • 判别式标签一致性域自适应

    本文提出了一种新颖的无监督域自适应方法，通过同时优化理论上建立的误差界的三个项，迭代搜索潜在的共享特征子空间，来降低数据分布差异并增加类间距离，以有效学习目标数据的预测器。同时，还考虑了数据异常值的影响以避免负面知识迁移。实验和分析验证了该方法的有效性和优越性。

    Feb, 2018

  • 类增量领域自适应

    该研究提出了一种实用的域自适应范式 —— 增量类别域自适应（Class-Incremental Domain Adaptation，CIDA），并且根据理论和实证观察，提出了一种基于样板网络的有效方法，使得在域偏移的情况下可以对目标样本进行分类，并且可以对共享的和新的目标类进行分类，其性能优于 CIDA 范式中的 DA 和 CI 方法。

    Aug, 2020

  • Pareto 域自适应

    该论文探讨了基于梯度的角度重新思考域自适应算法优化方案的问题，并提出了 Pareto Domain Adaptation 方法来协作优化所有训练目标，提高目标分类精度

    Dec, 2021

  • 高效推断的动态领域自适应

    本文提出了一种动态域自适应框架（DDA），该框架可以在低资源情况下实现高效的目标推理，并继承域适应所带来的有利泛化能力，同时应用领域混淆约束来提高适应性能。

    Mar, 2021

  • ProCST: 基于渐进循环风格迁移的语义分割增强

    提出一种针对图像数据的新型两阶段框架，通过逐步训练多尺度神经网络从源域到目标域执行图像翻译，将生成的新数据作为任何标准 UDA 方法的输入，以进一步降低域差距，达到提高域自适应技术的效果。

    Apr, 2022