- 跨域知识迁移中基于知识的子领域适应
基于知识启发的子域适应(KISA)框架在欺诈检测和交通需求预测任务上表现出色,通过深度域适应、信用和非信用交易、子域划分问题以及知识融合网络实现精细化域适应。
- 通过部分和失衡的领域适应,为非专业事实描述进行法律判断预测
本文研究了从不平衡的源领域到部分目标领域的法律领域适应性问题,该领域的任务是提高针对非专业事实描述的法律判断预测。我们将此任务描述为部分和不平衡的领域适应问题,并探索了在源域中大规模的非共享类相关数据,通过分级加权适应来解决这个限制。我们在 - 领域自适应和最大间隔原则的跨项目软件漏洞检测
本文提出了一种基于深度领域自适应和跨域核分类器的端到端方法,解决软件漏洞检测中的自动表示和标记数据集不足等关键问题。实验结果表明,该方法在 F1-Measure 等指标上的性能显著优于现有方法。
- 使用通用深度域适应框架预热跨会话运动想象分类
提出了一种用于跨会话 MI 分类的全新的深度域自适应 (SDDA) 框架,并应用于既有的人工神经网络中,以提高模型的泛化能力与分类准确率。通过两项 MI-EEG 公共数据集上的实验证明,所提出的 SDDA 框架能够显著提高 EEGNet 和 - AAAI领域条件适应网络
该论文提出了一种基于领域条件自适应网络(DCAN)的深度领域自适应模型,在卷积层之间引入了领域特定的通道激活机制和特征修正块,旨在解决源域和目标域数据分布的差异问题,实验结果表明,该模型在跨领域学习任务上表现优异。
- 深层残差修正网络用于部分领域自适应
本文提出了一种高效实现的深度残差校正网络,该网络使用一个残差块与任务特定的特征层插在源网络中,以有效增强从源到目标的自适应性,明确削弱不相关的源类的影响,并设计了一种加权类别域对齐损失以将源和目标之间的两个域耦合起来。在部分,传统和细粒度跨 - AAAI利用本地特征模式进行无监督领域自适应
本文介绍了一种方法,它通过学习领域不变的局部特征模式并联合对齐整体和局部特征统计量,从而进一步实现细粒度特征对齐,并在两个流行的基准数据集上将其与现有的无监督领域适应方法进行比较,证明了我们方法的优越性和对减轻负迁移的有效性。
- AAAI多重对抗领域适应
本文提出一种多重对抗领域自适应方法 (MADA),能够捕获多模态结构,利用多个领域判别器实现不同数据分布的精细对齐,利用随机梯度下降计算梯度,证据表明该模型在标准领域自适应数据集上优于现有最先进方法。
- AAAI联合领域对齐和判别特征学习的非监督深度领域自适应
通过联合域对齐和辨别特征学习的方式,可以带来对域对齐和最终任务分类的双重优化。对于视觉和机器学习领域,大部分现有工作只集中在通过最小化不同域之间的分布差异来学习共享的特征表示。然而,本文指出,所有域对齐方法只能减少,而不是消除域移位的情况。 - ECCV深度联合分布最优输运:用于无监督域自适应
本文介绍了一种名为 DeepJDOT 的解决计算机视觉中领域转移问题的方法,基于最优传输的联合深层表示 / 标签的差异度量,不仅学习新的数据表示,而且同时保留了分类器使用的判别信息。我们将 DeepJDOT 应用于一系列视觉识别任务中,表现 - CVPR将像素和特征级域自适应联合用于野外识别
通过深度域自适应进行知识迁移来提高性能,本研究提出了利用半监督学习洞察力设计的分类感知域对抗神经网络以在源域中将目标例子转化为更可分类的区域,并利用建立在通用外观流的三维几何与图像合成的基础上的属性条件换档深度生成对抗网络将源图像转化为多目 - 深度视觉领域自适应:一份综述
本研究提供了关于计算机视觉领域中,基于深度学习的深度域适应方法的全面概述,分类不同的深度域适应情景,总结了深度域适应方法,重点分析比较了各种情况下的最先进方法,并着重强调了当前方法的潜在缺陷和未来几个方向。
- 深度域自适应的残差参数转移
本文介绍了一种神经网络结构 —— 附带残差网络,其可灵活地维护域间的相似性,并在必要时模拟区别。实验证明,该方法比现有最先进的方法具有更高的准确性且不会过于复杂。