ECCVApr, 2024

对齐、最小化和多样化：一种基于源自由的无监督领域自适应方法用于手写文字识别

PDF
TL;DR该论文介绍了一种用于手写文本识别的 Align, Minimize 和 Diversify（AMD）方法，它是一种无源无监督域自适应方法。通过解耦适应过程和源数据，这种方法不仅避免了资源密集型的重新训练过程，还能够利用现代深度学习架构中编码的丰富预训练知识。通过引入三个独立的正则化项，即对齐项、最小化项和多样化项，我们的方法明确消除了在适应过程中需要重新访问源数据的需求，保证了预训练表示的可迁移性，最小化预测的不确定性，同时通过促进目标数据中的多样性和独特序列，防止信息崩溃。多个基准实验结果证明了 AMD 的有效性和鲁棒性，在手写文本识别中竞争力强，常常胜过之前的域自适应方法。
align, minimize and diversify (amd)source-free unsupervised domain adaptationhandwritten text recognition (htr)deep learning architecturespre-trained representation
发现论文，激发创造
  • 无监督深度域自适应的最小熵相关对齐

    采用深度学习方法实现无监督域自适应，通过研究源域和目标域之间的二阶矩对齐可以最小化熵，提出了一种比欧几里得方法更有原则性的策略，利用源到目标的正则化器以无监督和数据驱动的方式量化，并在标准性的域适应基准测试中证实了该框架的优势。

    Nov, 2017

  • 低资源多领域对话生成的统一数据增强框架

    我们提出了一种用于多领域对话生成的新型数据增强框架 AMD2G，它由数据增强过程和两阶段训练方法组成，域无关训练旨在使模型学习共同的表达模式，然后通过域自适应训练来调整学到的域无关特征到目标域。实验证明，与直接在目标域语料上训练和在所有五个域上进行集合训练相比，AMD2G 能够在五个不同领域的中文对话数据集上取得更优异的性能。

    Jun, 2024

  • 文本独立取证发言人识别的多源领域自适应

    本研究提出了基于领域对抗训练、差异最小化和矩匹配方法的三种新的自适应方法，以在多个声学领域中进一步提高自适应性能。实验表明，多种声学环境确实会影响讲话者识别性能，并且领域对抗训练、差异最小化和矩匹配自适应都能在多个声学领域中同时实现有效性能。

    Nov, 2022

  • 基于不确定性感知自适应蒸馏的多源无域自适应

    提出一种名为 UAD 的简单而有效方法，用于医学领域中的多源免监督域适应，通过模型层和实例层的知识蒸馏，实现高性能的目标领域模型，验证了其在两个图像诊断基准数据集上的普适性和显著性能提升。

    Feb, 2024

  • 任务判别的领域对齐方法用于无监督领域自适应

    本文提出了一种深度域自适应框架，采用鉴别偏差度量，并结合任务驱动域对齐鉴别器和域正则化器，以改进无监督域适应的性能，并在多项标准基准测试中证明了其优于现有技术的一致性。

    Sep, 2019

  • 无监督域自适应的共同正则化对齐

    本研究提出了一种多样化特征空间的共同约束域对齐方法，用于解决深度神经网络在不同数据分布下的泛化问题，并在多个领域适用。

    Nov, 2018

  • 利用对抗学习在资源匮乏的语言中进行手写识别

    本文介绍了手写字识别和定位中的一种新的训练模式，即使用 Adversarial Feature Deformation Module (AFDM) 通过扭曲特征以加强学习能力，测试表明，该模型可以显著地提高在数据匮乏情况下的普适性和准确度。

    Nov, 2018

  • 模型适应：无源数据对比学习的无监督域自适应

    本研究提出了一种无监督模型自适应的历史对比学习技术，通过历史模型的假设来弥补源数据中的缺失，从而实现将源训练模型适应到目标分布的无监督域适应。实验结果表明，该方法在各种视觉任务和设置下一致优于现有技术。

    Oct, 2021

  • 通过极小化最大熵进行半监督域自适应

    提出了一种基于 Minimax Entropy 的半监督域自适应方法，在有限的标记信息下，与其他基线方法相比，提高了无标记目标数据分类的准确性。

    Apr, 2019

  • 关于无需模型特定信息和多个源域的自适应领域迁移的研究

    多源无监督领域适应的模型选择问题和跨域转移能力估计的新方法，通过选择准则和新框架有效地学习鉴别性目标模型。

    Mar, 2024