Jun, 2024

朝着可靠的无监督领域适应：增强鲁棒性、区分性和泛化性的表示学习视角

PDF
TL;DR通过互信息优化，本文从表示学习的角度研究鲁棒的无监督领域自适应，并设计了一种利用互信息理论的新算法，名为 MIRoUDA，以实现鲁棒性、区分性和泛化性等三个期望特性，同时提出了相应的双模型框架，大量实验结果表明我们的方法在各项评测中都明显优于现有技术。
发现论文，激发创造
  • SRoUDA: 元自我训练用于强健的无监督域自适应

    本文提出了一种新的元自我训练流程 SRoUDA，通过自训练的范例，SRoUDA 允许直接将 AT 纳入到 UDA 中，并且，在 SRoUDA 中的元步骤进一步有助于由嘈杂的伪标签导致的误差传播的缓解。经过各种基准数据集的广泛实验表明，SRoUDA 在不损害清洁度准确性的情况下实现了显着的模型稳健性的提高。

    Dec, 2022

  • 无监督领域自适应对抗鲁棒性

    本文提出一种通过利用 ImageNet 预训练模型中的中间表示，使得源域与目标域学习到的特征分布更加接近，从而提高无监督域适应模型在未标记数据上的对抗鲁棒性，不需要对抗干预或标签要求。

    Sep, 2021

  • 无监督领域自适应的对抗性稳健训练探究

    本研究旨在研究如何通过敌对训练来提高无监督领域自适应模型的鲁棒性，广泛实验表明，敌对鲁棒性方法能够有效提高该领域模型的可靠性和效果。

    Feb, 2022

  • 基于傅里叶对抗攻击的鲁棒领域自适应

    本文提出了一种基于 Fourier 对抗攻击的鲁棒域自适应技术 (RDA)，可用于解决多个计算机视觉任务中的域自适应问题，其生成的对抗样本可以在使图像特征保持不变的情况下，减小由于域偏移带来的噪声问题，从而使模型的鲁棒性增强。

    Jun, 2021

  • 鲁棒领域自适应：表示、权重和归纳偏差

    本文研究在无监督领域适应中，加权样本的重要性抽样策略与不变表征相互作用的理论方面，并提出了一种改进的学习算法，旨在加强归纳偏差，减轻适应过程中可能存在的标签偏移问题。

    Jun, 2020

  • 探索语义分割中无监督领域自适应的鲁棒性

    提出了一种在输出空间中采用对比损失来最大限度地增加干净图像和其对抗性示例之间的一致性的对抗性自监督 UDA 方法，名为 ASSUDA，以提高深度神经网络对敌对示例的鲁棒性和分割任务的可靠性。

    May, 2021

  • 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

  • 多领域判别器与自适应自训练的无监督领域自适应

    本文提出一种基于无监督域自适应（UDA）的方法，针对城市场景的语义分割应用领域，将深度神经网络从合成数据源，适应到真实数据源上，通过引入对抗模块和自训练策略实现充分对齐两个数据分布，模块化的架构使得模型适用范围更广，实验结果表明该方法的有效性和稳健性。

    Apr, 2020

  • 深度无监督域自适应：近期进展和展望综述

    深度学习在许多领域都展现出其超凡表现，但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现，无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题，并已在自然图像处理、自然语言处理等领域取得了许多令人期待的结果，该文对该领域的方法和应用进行了系统比较，并强调了当前方法的不足及未来研究方向。

    Aug, 2022

  • 领域增强的域自适应

    本文提出了一种基于伪领域生成的领域增强领域自适应方法（DADA），通过生成与目标域差异更小的伪领域，减小跨域偏差，进而增强知识转移过程并将标签方法应用于 DADA 模型中，结果表明该模型优秀。

    Feb, 2022