Jun, 2024

基于双层混合与对比的零样本域自适应

PDF
TL;DR该论文提出了一种新的零样本领域自适应方法，通过双层混合增强和对抗学习来学习具有低任务偏差的领域不变特征，实验证明该方法在多个基准测试上取得了良好的性能。
zero-shot domain adaptationtask biasdual-level mixupsdomain adversarial learningcontrastive learning
发现论文，激发创造
  • 零样本深度领域适应

    该研究提出了一种基于零样本学习的深度学习领域自适应方法（ZDDA），它可以在没有相关目标域数据的情况下进行任务迁移和传感器融合，并通过多个数据集的实验验证了其有效性。

    Jul, 2017

  • 基于双层领域混合的半监督领域适应用于语义分割

    该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

    Mar, 2021

  • 零样本域自适应的条件耦合生成对抗网络

    本文中，我们提出了带条件的联合生成对抗网络（CoCoGAN）来解决零样本域自适应（ZSDA）问题，在没有目标域数据的情况下训练 CoCoGAN 以完成领域自适应。通过在相关任务（RT）和不相关任务（IRT）中采用源域数据和双域数据进行训练，CoCoGAN 能够捕获两个不同任务的双域样本的联合分布，从而使其在图像分类方面优于现有的技术水平。

    Sep, 2020

  • 自适应域网络

    提出了一种自适应网络方法，通过使用自适应器、任务模型和自编码器来解决深度网络在临床实践中的领域转移问题，本方法证明在使用单个测试对象和自适应的短时间内取得了显著改进，验证了方法的可行性并得到了广泛应用

    Jul, 2020

  • 统一无监督域自适应与零样本视觉识别

    该论文提出了基于领域自适应的跨域分类问题，通过联合子空间的学习，使用有标签样本辅助实现跨域特征投影不变性，并结合了一种监督的局部保持投影 (SLPP) 技术，同时在无监督和零样本学习条件下，在三个跨域自适应基准数据集上实现了最先进的结果。

    Mar, 2019

  • 自适应对比学习实现的无源域自适应

    本文探讨了一种实际的领域自适应任务，称为无源域自适应（SFUDA），在此任务中，源预训练模型在没有访问源数据的情况下适应于目标域。我们介绍了一种新的 SFUDA 范例 Divide and Contrast（DaC），使用自适应对比学习框架，通过预测的置信度将目标数据分为类似源域和特定于目标域的样本，并针对每个组别进行调整目标，以在全局和局部层面上提高性能

    Nov, 2022

  • 领域混合的对抗性领域自适应

    本研究提出在深度神经网络中结合域随机映射 (Domain Mixup) 的方法用于域自适应领域，研究表明该方法在如处理不同程度的域漂移和数据复杂度的任务中具有卓越的性能。

    Dec, 2019

  • 语义分割的领域自适应半监督学习中的区内和区间混合

    本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。

    Aug, 2023

  • 少样本无监督领域适应的光谱对抗混合

    本文提出了一种新颖的少样本无监督领域自适应方法，通过引入频域的光谱敏感度映射和敏感度引导的光谱对抗混合方法，生成目标风格的图像，并有效抑制模型的敏感性，从而提高模型在目标领域的泛化能力。通过在多个公共数据集上进行严格评估，证明了所提出方法的性能。

    Sep, 2023

  • 自监督领域无关卫星图像域自适应

    通过设计对抗生成损失，在不定义域的情况下，通过自监督域无关领域自适应方法（SS (DA) 2）来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。

    Sep, 2023