Jul, 2024

TransferAttn：可传递引导的注意力是视频领域自适应的必需

PDF
TL;DR使用转换器图层作为特征编码器，将空间和时间的可传递性关系融入到注意机制中，提出了 TransferAttn 框架以适应不同骨干的跨领域知识，通过改变自注意机制为可传递性注意机制，引入 DTAB 模块来增加 ViT 的可传递性，验证了 TransferAttn 和 DTAB 在多个数据集和不同骨干下的有效性。
unsupervised domain adaptationvision transformerstransferable-guided attentiondomain transferable-guided attention blockvideo domain adaptation
发现论文，激发创造
  • TVT：基于视觉 Transformer 的无监督域自适应模型

    本研究提出了一种名为 “可传递视觉 Transformer” 的统一框架，其中融合了迁移学习、注意力机制和聚类方法，以实现基于标签源域的无标签目标域的知识迁移。 实验证明，本文所提出的 TVT 方法优于现有的微调和迁移学习方法，通过注入可学习的传递性适应模块来强制 ViT 集中注意力在可转移和辨别性特征上，并借助判别性聚类来增强特征多样性和分离度。

    Aug, 2021

  • 基于视觉转换器的对抗领域自适应

    无监督领域自适应方法已取得了最新的优秀成果，并大多数使用了卷积神经网络作为特征提取器，然而视觉转换器虽已被广泛应用于计算机视觉任务，却未在对抗性领域自适应中研究过，本文填补了这一空白，并证明视觉转换器可直接应用于现有的对抗性领域自适应方法，以提升性能。

    Apr, 2024

  • CDTrans: 跨领域 Transformer 方法的无监督领域自适应

    本文提出了一种基于 Transformer 的无监督领域自适应方法 CDTrans，采用双向中心感知标签算法生成准确的伪标签，采用权值共享的三支架 Transformer 框架对源 / 目标特征学习和源目标领域对齐进行自关注和交叉关注，实现了同时学习区分性领域 - 特定和领域不变表示的显式设计，实验证明该方法在公共数据集上的表现优于现有方法。

    Sep, 2021

  • 利用视觉变换器改善无源目标适应性，以削弱域表示图像

    该研究以无监督域自适应为主题，探索了如何利用关键元素来强化 Vision Transformers 在无源目标适应中的性能，通过引入域表示图像（DRIs）作为关键组件，提高了 Transformer 在领域泛化中的效率。

    Nov, 2023

  • 无监督视频域适应：一个分离透视

    本文针对无监督视频领域自适应这一实用但具有挑战性的任务，首次从分离视点入手，对相关领域信息和时空语义信息进行数据转换，提出了一种 TranSVAE 框架并设计了多个目标函数，经强大的实验验证，相比几种现有技术，TranSVAE 具有更大的有效性和优越性。

    Aug, 2022

  • 深度对抗式注意力对齐：无监督域自适应的优势 —— 以目标期望最大化为例

    本文提出了一种使用注意力对齐和后验标签分布估计的卷积神经网络自适应无监督域适应的方法，在 Office-31 数据集上超过其他最先进的方法 2.6％。

    Jan, 2018

  • 视频域自适应的时间关注对齐

    本研究提出了一个更大规模的视频领域自适应数据集 UCF-HMDB_full，并探究了不同的 Integration 方法以及通过指定领域距离来显式关注时间动态的方法 TA3N 来实现更有效的域适应。

    May, 2019

  • 基于半监督领域适应的 Patch-Mix Transformer 模型：从游戏角度出发

    本文提出了一种名为 PMTrans 的模型，从博弈论的角度解决了视觉转换器在挑战性无监督领域自适应（UDA）任务中的问题，通过提出一种基于 ViT 的模块 ——PatchMix 的方法来有效地建立中间域，并利用特征和标签空间中的两个半监督 mixup 损失将它们最小化，以此将源域和目标域相连，以实现最大化交叉熵。通过这样做，我们将 UDA 的过程解释为由特征提取器、分类器和 PatchMix 组成的三方最小 - 最大交叉熵游戏，以找到纳什均衡，并利用 ViT 的注意力图重新加权每个补丁的标签，以获得更多的域辨别特征表示。经过对四个基准数据集的广泛实验，结果表明，PMTrans 在 Office-Home 上超过了 ViT 和 CNN 等最先进的方法 3.6％，在 Office-31 上超过了 1.4％，在 DomainNet 上超过了 17.7％。

    Mar, 2023

  • 语义分割中的上下文感知域自适应

    本文提出了一种基于交叉关注机制的无监督域自适应方法，用于在语义分割中将一个域中的知识转移到另一个域中，通过对自注意力机制的改进，能够更好地适应上下文依赖性和转移可操作的上下文信息，优于现有的方法。

    Mar, 2020

  • 兼顾两种世界：面向领域的 Transformer 用于无监督领域自适应

    提出了一种基于 Domain-Oriented Transformer 的无监督域自适应方法，通过在不同的领域中聚焦于不同的特征空间进行特征对齐，并为每个领域创建一个特定的面向域的分类器，该方法在多个基准测试中取得了最先进的效果。

    Aug, 2022