Mar, 2024

GLC++：全球-本地聚类和对比亲和学习实现的无源通用领域适应

HTML
PDF
TL;DR深度神经网络在协变量移位和类别偏移下经常表现出次优性能。本文提出了一种源自由的通用领域适应方法，旨在准确分类属于常见类别的“已知”数据，并将其与目标私有的“未知”数据分隔开。我们提出了一种新颖的全局和局部聚类（GLC）技术，包括自适应的一对多全局聚类算法来区分目标类别，以及一种局部k-NN聚类策略来减轻负迁移。为了解决这一问题，我们将GLC发展到GLC ++，集成了一种对比相似性学习策略。我们在多个基准和类别偏移场景中检验了GLC和GLC ++的优越性。在最具挑战性的开放部分集场景下，GLC和GLC ++分别在VisDA的H分数上比GATE提高16.7％和18.6％。GLC ++在Office-Home的开放集场景中提高了GLC的新类别聚类准确性4.3％。此外，引入的对比学习策略不仅改进了GLC，还显著促进了现有方法。
发现论文，激发创造
  • 开放式域自适应中探索类别无关聚类

    本文提出了一种用于处理源领域和目标领域中可能存在未知类别的自己集成（Self-Ensembling）方法，称为具有类别不可知聚类（Category-agnostic Clusters）的SE-CC模型，该模型利用聚类信息提供了与目标领域特定的视觉提示，方便了对于开集和闭集领域自适应的泛化。

    Jun, 2020

  • 基于实例级别相似度的无监督域自适应迁移学习

    本研究提出一种基于实例相似度和分类内聚性和分类分离性的目标域适应策略(ILA-DA)，其使用多样本对比损失函数来驱动领域对齐过程，在多种基准数据集上实现明显的准确率提高。

    Apr, 2021

  • 泛化的零样本域自适应

    本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在VisDA上实现了最先进的性能（85.4％）。

    Aug, 2021

  • BMD：一种通用的平衡多中心动态原型策略，用于无源领域自适应

    这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

    Apr, 2022

  • 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

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的SFUDA范例Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022

  • 基于蒸馏鉴别聚类的无监督领域自适应

    该研究提出了一种名为DisClusterDA的新方法，将无监督领域适应问题重新表述为目标数据的判别式聚类，使用基于熵最小化、软Fisher准则和质心分类的聚类目标自适应地过滤目标数据来蒸馏判别式源信息，同时结合并行的受监督学习目标来训练网络，经过对5个基准数据集进行的实验表明，DisClusterDA在这些数据集上的表现优于现有的方法。

    Feb, 2023

  • 基于领域和类别转移的升级模型

    本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些“未知”的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集DA等不同类别转化情境下的多个基准测试中相对于UMAD的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集DA情境下比UMAD高出14.8％。

    Mar, 2023

  • 信任你的好朋友：通过相互邻域聚类的无源域适应

    通过定义目标数据的局部关联性并在具有高局部关联性的数据中鼓励标签一致性，基于目标数据的内在结构，以及通过考虑局部邻居、相互邻居和扩展邻域来有效捕捉局部结构，实现了若干2D图像和3D点云识别数据集的最先进性能。

    Sep, 2023

  • 基于不确定性引导的无源域自适应与目标独立类别分离

    该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为NL-InfoNCELoss的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

    Apr, 2024