Mar, 2024

CODA: 适用于 HAR 的高效测试时领域适应机制

PDF
TL;DR基于主动学习理论，CODA 是一种用于移动感知的成本高效域适应机制，它从数据分布的角度解决了实时漂移问题，通过聚类损失和重要性加权主动学习算法保留不同聚类之间的关系，展示了与神经网络解决方案的整合，并通过对各种数据集进行细致评估证明了 CODA 在线适应性的可行性和潜力。
mobile sensingdynamic usage conditionscodadomain adaptationactive learning
发现论文，激发创造
  • CODA: 基于概念漂移模拟器的时间域泛化

    通过数据为中心的视角解决概念漂移问题，提出了一个模型无关的时间域泛化方法，使用 COncept Drift simulAtor (CODA) 框架通过预测的特征相关矩阵模拟未来数据来训练模型，有效地实现了不同模型结构的时间域泛化。

    Oct, 2023

  • 在线自监督域自适应弥合高内容成像中的泛化差距

    高容量成像技术在现代药物发现和开发中起着重要作用，将机器学习模型应用于这些数据集常常面临各种挑战，我们提出了 CODA，一种在线自我监督领域适应方法，通过交叉批次自我监督来使特征提取器权重适应新域，保持任务特定模型不变，我们的结果表明该策略显著减少了泛化差距，在使用不同显微镜的不同实验室数据上实现了高达 300％的改进，CODA 可应用于不同大小的新领域未标记数据源，从单个培养皿到多个实验批次。

    Nov, 2023

  • CODA：通过基于尺度感知的对抗密度自适应进行对象计数

    该论文提出了一种基于分层金字塔的多尺度密度对抗适应的新型对抗学习方法 CODA，可用于应对不同尺度和密度分布的目标计数，实验证明该网络在处理不同场景的数据集时优于现有的计算适应模型，并且在目标数据集上与最先进的有监督模型性能相当。

    Mar, 2019

  • 通过上下文感知的动态模型实现对新物理系统的泛化

    提出了一种新的框架 CoDA，旨在解决数据驱动模拟物理系统无法泛化到共享相同一般动态的新系统的问题，该框架结合了上下文信息的动态调整和超网络，实现了快速的适应和更好的泛化性能。

    Feb, 2022

  • CoDA: 以严重性感知的视觉提示调整为基础的指导式领域迁移链

    通过对场景和图像水平的指导和学习中的差异进行区分，CoDA 方法在针对逆境场景的无监督领域自适应任务中实现了 SOTA 性能，在 Foggy Driving 和 Foggy Zurich 基准测试中分别比现有方法提高了 4.6% 和 10.3% 的 mIoU。

    Mar, 2024

  • D2ADA: 动态密度感知的主动域自适应语义分割

    D2ADA is a framework for active domain adaptation in semantic segmentation, proposing an approach to acquire labels of samples with high probability density in the target domain yet with low probability density in the source domain, and designing a dynamic scheduling policy to adjust labeling budgets between domain exploration and model uncertainty that outperforms existing baselines with less than 5% target domain annotations.

    Feb, 2022

  • 自然时间序列移动活动识别下行为和时间变化的域自适应

    通过采集数据集，支持在自然场景下进行移动活动识别和健康监测，使用无监督领域适应算法和对比学习来提高识别准确性，数据集可供使用。

    Jul, 2022

  • 连续的测试时域自适应

    提出了一个基于权重平均和增强平均预测的持续测试时间自适应方法，在长期内实现了所有神经网络参数的适应，同时有效避免了疾病遗忘和噪声伪标签带来的错误积累，该方法处理的问题主要集中在测试时间域适应和深度学习等领域。

    Mar, 2022

  • 基于数据的 Sim-to-Real 领域自适应方法，用于 3D 语义分割

    本文提出了一种 Data-Oriented Domain Adaptation (DODA) 框架，通过虚拟扫描模拟和基于长方体的混合来减轻不同领域之间的模式和上下文差异，在 3D 室内语义分割中的结果优于其他 7 种 UDA 方法。

    Apr, 2022

  • 连续测试时间域适应以有效检测不断变化的工作条件下的故障

    我们的研究工作介绍了一种新颖的连续测试时域自适应异常检测方法，通过解决领域变化和有限数据代表性问题，实现了早期稳健的异常检测，能够有效适应不断变化的操作条件，尤其对于数据稀缺的系统具有显著改进，并在故障检测中表现出增强的准确性和可靠性。

    Jun, 2024