通过基于密度的聚类算法提出伪标签课程表,通过高密度值子集进行早期训练,在后期使用低密度值的数据子集,进而改进网络生成伪标签的能力,提高模型的训练效果并实现最先进的性能
Aug, 2019
本篇论文提出了一种基于结构化预测的选择性伪标记策略,通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记,实验证明该策略表现优于当代最先进方法。
Nov, 2019
该研究提出了一种利用信息论界限和特征对齐技术,将目标数据划分为伪标记子集和无标记子集以实现平衡的无监督域自适应方法,取得了比现有方法更好的性能表现。
Feb, 2022
该研究提出了一种针对亮度、对比度等自然变化轴的目标域适应方法,只需要无标签的目标数据和源分类器,有效地解决了预训练模型中源数据不可用的问题,并表明其在有限标记数据的情况下胜过微调基线。
Jul, 2020
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取得了有竞争力的结果。
Sep, 2019
该论文提出了一种无需源数据的领域自适应技术,其基于生成式框架,使用来自源类的分类器生成样本,并使用神经能量网络训练联合分布,在此极为新颖的场景中取得了比基准模型更好的结果。
Feb, 2021
本文提出了一种基于伪源域的方法,通过生成和扩充伪源域,引入四种新的基于伪标签的策略 loss 进行分布对齐,并在伪源域和剩余目标域之间引入一个域对抗损失,以减少分布漂移,从而有效地解决了无监督域自适应的问题。
Sep, 2021
该研究提出了一种新的两阶段学习过程,以实现无监督域适应并实现源自由部署。在采购阶段,通过利用现有的源数据,在新颖的生成分类器框架中增强了模型拒绝源外分布样本的能力;在部署阶段,通过使用命名为源相似度度量的新型实例级加权机制,提出了一个简单而有效的源自由自适应目标,以设计一个统一的自适应算法,该算法可在各种范畴差异下运作,并实现了卓越的域适应性能。
Apr, 2020
无需访问源数据,本研究提出了一种新的框架,通过估计无标签目标数据的模型准确性来解决深度视觉模型在源和目标分布之间存在性能降低的问题。将伪标签用于准确性估计,并采用最新的无源域自适应算法,利用源假设来适应目标伪标签函数,并通过对目标模型的输入进行自适应对抗扰动以减轻错误伪标签的影响,从而有效解决具有挑战性的分布偏移情景,并胜过需要源数据和标签进行训练的现有方法。
Jul, 2023
使用自主训练、伪标签、微调和师生框架等方法,这篇论文提出了解决视频领域适应性问题的方法,以在没有源数据的情况下实现源无关自适应,并取得了领先的实验结果。
Nov, 2023