关键词domain adversarial training
搜索结果 - 16
- 零封多语言口语关键词识别的通用语言特征建模
我们提出了一种新颖的语言通用方法来实现自动口语关键词识别,在自我监督预训练模型和一系列通用语音属性(发音方式和发音位置)的基础上进行。具体来说,我们使用 Wav2Vec2.0 生成强大的语音表示,然后通过线性输出层产生属性序列。在多语言环境 - 基于数据驱动的机械循环支持模拟器与领域对抗神经过程
Mechanical Circulatory Support (MCS) devices are enhanced using a neural process architecture called Domain Adversarial - 通过领域对抗训练学习的稳健音乐表示的音乐自动标记
采用领域对抗训练 (DAT) 方法,结合合成噪声音乐数据和无标签噪声音乐数据,提高了音乐自动标记的性能,并加强了模型在不同噪声环境下的泛化能力。
- 人脸反翻拍的双教师知识蒸馏与领域对齐
本文提出了一种用于人脸反欺诈的领域对抗攻击方法,通过对输入图像添加扰动使其在领域间不可区分从而实现领域对齐;此外,结合领域对抗攻击与双教师知识蒸馏,开发了一种具有领域对齐的双教师知识蒸馏框架用于人脸反欺诈。在公共数据集上进行大量的消融研究和 - 多领域道德学习数据融合框架
本文提出了使用领域对抗式训练和加权损失函数训练多个异构数据集的方法,成功地提高了语言模型在道德推断方面的性能和泛化能力。
- ICLR领域对抗性训练的免费午餐:环境标签平滑
通过引入环境标签平滑 (ELS) 方法,可以改善 Domain Adversarial Training (DAT) 训练的不稳定性并减少噪声对鉴别器的影响,从而提高模型的稳定性、收敛性和噪声鲁棒性,并在大范围的域泛化 / 适应性任务上取得 - 文本独立取证发言人识别的多源领域自适应
本研究提出了基于领域对抗训练、差异最小化和矩匹配方法的三种新的自适应方法,以在多个声学领域中进一步提高自适应性能。实验表明,多种声学环境确实会影响讲话者识别性能,并且领域对抗训练、差异最小化和矩匹配自适应都能在多个声学领域中同时实现有效性能 - 使用说话人标签改进和对抗:提高自动语音识别
本研究旨在研究如何将增强领域及去除领域差异这两个相反的目标应用于说话人标签以提高 Conformer-based ASR 的性能,并通过适应性渐变反转层进行稳定有效的对抗训练。最佳说话人 MTL 可以在 Switchboard Hub5'0 - 改善自监督语音处理模型在扭曲场景下的泛化性能
本文提出采用交叉失真映射和域对抗训练技术对自监督学习的语音预训练模型进行知识蒸馏,以缓解性能差距问题,具有较好的性能表现。
- ICML关于域对抗训练中平滑性的深入探究
本文对平滑性增强公式对于领域对抗训练的影响进行了分析,发现通过对任务损失和对抗项的平滑最小值进行收敛来稳定对抗训练可以在目标领域获得更好的性能。作者介绍了 SDAT 过程,该过程有效地提高了现有领域对抗方法的性能,同时提供了 SGD 在领域 - ICCV样本重新标记的域鉴别器再激活在对抗性域自适应中的应用
本文提出了一种名为可强化对抗域自适应(RADA)的有效优化策略,通过使用动态域标签使领域鉴别器重新激活,使目标域样本更加可分离并进一步推动特征对齐,在多个无监督领域自适应基准上进行的广泛实验表明了我们的 RADA 的有效性和优越性。
- 基于 Transformer 的多源域自适应
研究了大型预训练转换模型在无监督多源域自适应中的效果,发现领域对抗性训练对其有影响,但对表现影响不大,同时混合专家方法则显著提高了表现并比较了几种混合函数,包括一种基于注意力的新混合方法。
- 跨模态图像分割的高效无监督领域自适应算法
本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法,该方法结合了基于变分自编码器的特征先验匹配和域对抗训练,以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估,在仅使用一个未标记的 3D CT 扫描 - 利用领域对抗训练的噪声自适应语音增强
该研究提出了一种新颖的噪声自适应语音增强系统,该系统采用领域对抗训练方法解决训练和测试条件之间的噪声类型不匹配问题。实验结果表明,相较于没有自适应的 SE 系统,该系统在 PESQ、SSNR 和 STOI 方面可实现显著改善。
- 面向口音语音识别的领域对抗训练
本文提出了一个领域对抗训练算法(DAT)来缓解口音识别问题。我们将领域对抗训练(DAT)目标与 Kaldi TDNN 网络的学习目标相结合,鼓励模型学习不受口音影响的特征,以减少标准口音和带有口音的未标记目标域数据之间的不匹配。通过三种不同 - ICLR无监督域适应中 DIRT-T 方法的应用
通过集群假设的视角,该研究提出了两个新的模型:结合领域对抗训练和对集群假设违反的惩罚的虚拟敌对领域自适应(VADA)模型以及采用自然梯度步骤进一步减小集群假设违反的 Decision-boundary 迭代细化训练与教师(DIRT-T)模型