具证据校准的无源时序领域自适应与时间插值
本文提出了一种针对时间序列数据的无源域适应方法(MAPU),通过随机屏蔽时间序列信号并使用一种新型的时间恢复方法从嵌入空间中恢复原始信号,以指导目标模型生成与源特征在时间上一致的目标特征,从而在避免噪声输入空间中的填充的条件下,显式考虑在时序数据上的适应性,实验证明 MAPU 相较于现有方法获得了显著的性能提高。
Jul, 2023
该研究提出了一种基于概率模型的源自由领域自适应方法,通过量化源模型预测中的不确定性来指导目标适应,以对抗域漂移和缺乏源数据的问题,并且相比于传统的源自由领域自适应方法,该方法计算轻量、与源训练和目标适应相独立。
Aug, 2022
本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE,采用球形 k 均值聚类生成目标数据的假伪标签,并利用目标数据和锚点学习源域的类条件特征分布,通过最小化交叉适应损失函数来对齐两个数据域,在多个 DA 基准测试中实现了最先进的性能表现,并且优于需要大量源数据的传统 DA 方法。
Apr, 2022
提出了一种用于 Source-Free Domain Adaptation 的新框架,使用在目标领域样本上训练的文本到图像扩散模型生成源数据,并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐,从而显著提高目标领域模型的性能。
Oct, 2023
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
通过数据增强技术,我们提出了一种名为 SF (DA)^2 的新方法,它克服了先前能提出的源无关域适应方法在类保持变换和内存、计算需求等方面的挑战,并在 SFDA 场景中展现了卓越的适应性能。
Mar, 2024
本文提出了一种基于红外图像的智能监测系统,其基于卷积神经网络和支持向量机算法,并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应,使用了策略筛选伪标签的课程学习加速自适应过程。
Mar, 2023
我们提出了一种新颖的基于不确定性伪标签引导的源域自由领域适应方法,通过目标领域增长和两次前向传递监督来提高医学图像分割的多样性和准确性,获得可靠的伪标签并进一步优化自适应性。在多个数据集上的实验证明,与基准方法相比,我们的方法在三个任务中平均提高了 5.54%,5.01%和 6.89%的 Dice 系数。
Sep, 2023
源无关领域适应 (SFDA) 旨在适应一个源模型到目标领域,只能访问标记有监督源领域的预先训练的模型和无标记目标培训数据。我们首次探索了富含异构知识的现成视觉 - 语言多模态模型 (例如 CLIP) 的潜力,提出了一种新颖的蒸馏多模态基础模型 (DIFO) 方法来解决现有方法中不可避免的错误问题,并通过两个步骤的交替来使其任务特定化,实验结果表明 DIFO 显著优于现有的替代方法。
Nov, 2023