Apr, 2024

域自适应中的 α- 功率最大化对抗重新加权

PDF
TL;DR提出了一种称为 Adversarial Reweighting with α-Power Maximization (ARPM) 的新方法，用于 Partial DA 任务中遗漏了目标域的私有类别。通过对抗性重新加权模型和 α-Power 最大化机制，提高了源域数据的识别精度并减少了预测不确定性，实验证明该方法优于最近的 Partial DA 方法，并在 Open-set DA、Universal DA 和 Test-time Adaptation 上进行了扩展和验证。
domain adaptationpartial daadversarial reweightingtransferable recognition modelprediction uncertainty
发现论文，激发创造
  • 自适应加权对抗领域适应

    提出了一种自适应的、基于条件分布的加权对抗领域适应方法，将三元损失与对抗损失结合应用于度量学习，以保证类别级别的对齐；实验结果表明，该方法在标准领域适应数据集上优于现有方法。

    May, 2020

  • 部分对抗域适应

    本文提出部分域自适应作为一种新的域自适应场景，旨在将现有大型域中的深度模型转移到未知小型域中，通过下调异常源类别数据来训练源分类器和域对手，同时匹配共享标签空间中的特征分布来同时缓解负迁移并促进正迁移，实验证明这种方法在多个数据集上的部分域自适应任务中超越了现有的最先进结果。

    Aug, 2018

  • 意识到类关系的对抗域自适应

    本文提出了一种新的关系感知对抗域自适应（RADA）算法，通过使用一个单一的多类域鉴别器，强制进行领域对抗训练的同时学习 inter-class 依赖关系结构，并将此结构与从源域的标签预测器中表征出的 inter-class 依赖关系对齐，证明了该方法在改善基准数据集性能方面显著提高了类关系的应用。

    May, 2019

  • 利用多模态信息校准类别权重实现部分视频领域自适应

    本文介绍了一种名为 MCAN 的新型神经网络模型，采用多模态特征结合不同时间尺度的视频特征提取，利用聚类方法的分布信息减轻了错误类权重带来的负面影响，该模型已在 PVDA 基准测试中得到了显著的提高。

    Apr, 2022

  • 一种使用源原型的健壮负学习方法应用于部分领域适应

    本文提出了一个鲁棒的部分领域自适应（PDA）框架，通过结合鲁棒的目标监督策略来缓解负迁移问题。它利用集成学习并包括多样的、互补的标签反馈，减轻了错误反馈的影响并促进了伪标签的改进。与仅依赖于分布对齐的一阶矩不同，我们的方法通过源样本原型和高置信度目标样本，在域不变的方式下提供了明确的目标来优化类内紧凑性和类间分离性。值得注意的是，我们通过先验地推断源样本原型来确保源数据的隐私，从而在自适应阶段不需要访问源数据。我们进行了一系列全面的实验证明分析，涵盖了一系列部分领域自适应任务。对基准数据集的全面评估证实了我们的框架的增强鲁棒性和泛化性，展示了其相对于现有最先进 PDA 方法的优越性。

    Sep, 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

  • 利用重要性权重对抗网络进行部分领域适应

    本文提出了一种基于重要性加权的对抗网络方法，用于无监督域自适应，特别适用于目标域比源域类别少的部分域适应。该方法可以克服现有域适应方法中假定标签空间相同的局限，并减少域之间共享类的变化。

    Mar, 2018

  • AdCorDA：通过对抗修正和域适应进行分类器改进

    该研究论文描述了一种简单而有效的技术，用于改进预训练的分类器网络。提出的 AdCorDA 方法基于对训练集的修改，并利用了网络权重和层输入之间的对偶性，称为输入空间训练。该方法由两个阶段组成，即对抗性纠正和领域适应。对抗性纠正使用对抗性攻击来纠正训练集中的错误分类，然后使用纠正后的样本替换原始训练集中的错误样本形成新的训练集，并在第二阶段将域适应应用于原始训练集。广泛的实验证明，在 CIFAR-100 数据集上显着提高了超过 5％的准确性。该技术可以直接应用于权重量化神经网络的改进，实验证明在基准测试上性能得到了显著提升。对抗性纠正技术还增强了对对抗性攻击的鲁棒性。

    Jan, 2024

  • 强化传输网络进行选择性传输的局部域自适应

    针对部分领域自适应 (PDA) 问题，我们提出了一种基于加强学习的转移网络 (RTNet)，利用高层次和像素级别信息进行数据选择，并在共享标签空间中最小化域之间的差异，具有良好的性能表现。

    May, 2019

  • 针对部分领域适应的样例迁移学习

    本文通过提出 Example Transfer Network（ETN）的方法，使得源域与目标域的表示更具有代表性而形成一种权衡，从而在部分领域适应任务中取得最新的成果。

    Mar, 2019