Apr, 2024

基于权重感知的多源无监督领域自适应方法用于人体动作意图识别

PDF
TL;DR准确识别人体动作意图（HMI）对于外骨骼机器人来提高穿戴舒适度和实现自然人机交互是有益的。本文基于多源无监督领域自适应理论和算法，考虑源领域主体之间的差异，提出了一种新的多源 UDA 算法 WMDD，通过多源 UDA 理论和边界差异差异（MDD）来测量源主体之间的区别，并将源领域权重自适应地调整到度量源主体与目标主体之间的差异，实现 HMI 的识别。
human motion intentionexoskeleton robotsunsupervised domain adaptationmargin disparity discrepancymulti-source uda algorithm
发现论文，激发创造
  • 基于对抗训练的多源无监督领域自适应情感分析

    提出了基于多源域自适应方法的两种转移学习框架来执行情感分析，其中关键特征是基于权重方案的无监督领域适应框架和基于两阶段训练的无监督领域适应框架，成果展示了比无监督的最新竞争对手更具有实用性的性能表现。

    Jun, 2020

  • 无监督多源域自适应，无需访问源数据

    该研究提出了一种算法，可以在没有源数据和目标标签的情况下，自动结合适当的权重来组合源模型，以获得与最佳源模型同样好的性能，这为无监督领域自适应提供了实用性的解决方案。

    Apr, 2021

  • 加权联合最大均值偏移使能的多源多目标无监督域适应故障诊断

    本研究提出了一种多源多目标无监督领域适应方法，通过改进的加权距离损失函数，在故障诊断领域中实现了源域与目标域之间的域对齐，并学习到多个源域与目标域之间的域不变和有区分性的特征，从而实现了跨域故障诊断。综合对三个数据集进行了综合比较实验，实验结果证明了该方法的优越性。

    Oct, 2023

  • 面向基于主题的领域自适应的面部表情识别

    本研究提出了一种基于主题的多源领域自适应方法，通过利用多个源主题数据集来适应一个深度面部表情识别模型到一个单一的目标个体，实现了优于现有方法的性能，同时能够适应多个主题的源领域。

    Dec, 2023

  • 无监督领域自适应的多源注意力

    该论文探讨了如何选择多个源来进行领域适应，使用注意力学习算法解决了多源无监督领域适应中的源选择难题，并在情感分类基准测试中表现出更好的性能。

    Apr, 2020

  • 多源交叉领域分类中基于领域特定分布和分类器的对齐

    本文提出了一个两阶段的框架，用于多源无监督域适应问题，该问题包含了来自多个不同数据源的标记数据。该框架通过在多个特定特征空间中对每对源和目标域的分布进行对齐，以及利用领域特定的决策边界对分类器的输出进行对齐，以解决域内不变表示对于所有域的提取困难和方法在不考虑领域特定决策边界的情况下匹配分布可能带来的问题，这种方法在经典的图像分类数据集上取得了显著的结果。

    Jan, 2022

  • 多源域自适应的时刻匹配

    本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet，该方法可以动态地对多个带标签源领域的知识进行转移，以对目标领域的无标签数据进行分类。实验结果表明我们的数据集可以有效评估现有的多源领域适应方法，同时也验证了该方法的优越性。

    Dec, 2018

  • 基于权重的域自适应掩码

    在计算机视觉中，本文提出 Weight-based Mask Network (WEMNet) 方法，采用 Domain Ignore Module (DIM) 和 Semantic Enhancement Module (SEM) 来解决传统无监督域适应 (UDA) 方法存在的问题，通过权重进行特征提取和分类，实现对前景特征的重点关注，该方法在经典 UDA 数据集上实现了更高的准确性。

    Apr, 2023

  • 基于黑盒源模型的分割无监督领域自适应

    本文提出了一种基于黑盒分割模型的无监督域自适应解决方案，利用指数混合衰减的知识蒸馏方案逐步学习目标特定表示，并应用无监督熵最小化来规范目标域置信度，最终在 BraTS 2018 数据库上取得了与白盒源模型适应方法相当的性能。

    Aug, 2022

  • 细粒度动作识别的多模态域自适应

    本文通过多模式自我监督对齐方法及对抗式对齐方法，提高细粒度行为识别跨环境泛化能力。在 EPIC-Kitchens 数据集中，多模式自我监督训练可将性能提高 2.4%，结合对抗式对齐方法可超过其他对抗式训练方法 3%。

    Jan, 2020