- 领域自适应语义分割的样式适应
我们提出了一种简单直接的方法来减小不同领域之间的差异,该方法无需进行额外的参数计算,并且可以与基于自训练的无监督领域适应方法无缝集成。通过在潜在特征空间中将目标领域的风格传递给源领域,该模型在决策过程中优先考虑目标领域的风格,在图像级别和浅 - 基于实例加权的无监督领域自适应的统一框架
针对无监督域自适应问题中由领域间标签偏移引起的复杂条件下的普遍方法,我们全面研究了四种不同的无监督域自适应设置,包括闭集域自适应、部分域自适应、开放集域自适应和通用域自适应,其中来源域和目标域之间存在共同类别和特定类别。基于共同类别的实例概 - FOAL:面向跨域方面情感三元组抽取的细粒度对比学习
在跨领域情感三元组提取(ASTE)中,我们提出了一种名为 Fine-grained cOntrAstive Learning(FOAL)的方法,通过减少领域之间的差异并保留每个类别的可辨识性,有效地在领域之间转移知识并准确提取情感三元组,实 - MM基于校准的双原型对比学习方法在领域泛化的语义分割中的应用
提出了一种基于校准的双原型对比学习方法,用于减少学习类别无关特征与不同域原型之间的域差异,对于域泛化语义分割,通过不确定性引导的对比学习和加权对比学习来校准原型权重,实验证明该方法在域泛化语义分割任务上具有优越性能。
- CVPR生成对齐的伪监督数据用于屏下摄像头图像修复
本文提出了一种基于经典立体设置的 Under-Display Camera (UDC) 图像修复数据收集方法,并通过一种新颖的基于 Transformer 的框架,解决了由于透视和景深变化导致的空间错位和 UDC 图像与普通图像之间的巨大领 - 领域泛化中模型验证的原则方法
本研究旨在解决域泛化问题,提出了一种新的模型选择方法,该方法综合考虑分类风险和域差异。通过实验结果验证了该方法的有效性。
- 面向医学图像分割的基于提示学习的无源域自适应方法 ProSFDA
本文提出了一种 Prompt learning based SFDA (ProSFDA) 的方法用于医疗图像分割,该方法旨在通过显式地将领域差异最小化来改善领域适应的质量,实验结果表明,所提出的方法比其他 SFDA 方法表现更好,甚至与 U - 领域差异感知蒸馏:联邦学习模型聚合
本文针对 Federated Learning 领域中存在的不同数据集之间的 Domain Discrepancy 挑战,分析了来源于知识蒸馏模型的聚合模型的泛化界限,并提出了一种基于 Domain Discrepancy Aware Di - 视频时刻检索的多模态跨域对齐网络
本文提出了一种用于跨域视频时刻检索的 Multi-Modal Cross-Domain Alignment 网络以及三个模块:域对齐模块、跨模态对齐模块和特定对齐模块,通过联合训练这些模块,实现域内不变和语义对齐的跨模态表示。
- CVPR车道检测的多层域适应
本研究提出了多层领域自适应(MLDA)框架,通过在像素、实例和类别三个补充的语义级别上处理交叉领域车道检测,以识别车道形状和位置先验知识,提出了一种新的视角来解决车道检测领域差异带来的挑战, 针对现有方法只关注像素级损失而忽略车道形状和位置 - 部分耦合的最优传输在口语认别中的应用
本论文提出了基于部分最优传输的联合分布对齐模型(POT),以降低不同领域之间的差异,提高跨域口语识别(SLID)系统的性能,并在 SLID 任务上进行了实验证明了 POT 模型显著提高了模型性能。
- CVPR高分辨率异构人脸超分辨率重建中数据稀缺问题的解决
本文提出了一种新的面部幻觉范式,该方法不仅可以实现数据有效的综合,还允许扩大模型培训而不违反任何隐私政策。与现有方法完全从头学习面部合成不同,我们的方法特别设计用于利用可见域内的丰富和多样的面部优先知识以获得更加忠实的幻觉,并引入一种新的联 - ACL神经机器翻译的序列到序列预训练:理解与改进
本文主要研究了 Seq2Seq 预训练在神经机器翻译上的影响,发现 Seq2Seq 预训练可提高翻译多样性,但由于与 NMT 微调存在差异,限制了翻译质量和模型稳健性,进一步提出了域内预训练和输入适应策略可以缓解这些问题。实验结果显示,我们 - CVPR逐渐消失的桥梁:用于对抗性领域自适应的方法
本文介绍一种在生成器和鉴别器中均配备 GVB 机制的对抗性领域自适应方法,旨在减少领域特定特征在领域不变表示中的影响,并在三个具有挑战性的数据集上进行的实验表明,该方法优于强竞争对手,并与其他对抗方法协作良好。
- 双向生成无监督域适应
本研究提出了双向生成领域自适应模型,通过一致分类器插值两个中间域来平衡减轻域差异和保留内在结构,使用跨领域对齐约束来进一步增强性能,设计了两个分类器,联合优化以最大化目标样本预测的一致性。广泛的实验证明,我们提出的模型在标准跨域视觉基准上优 - 动态分布自适应的迁移学习
本文提出了一种名为 DDA(动态分布适应)的新概念,可以对每个分布的相对重要性进行定量评估并解决传输学习问题,进而提出两种新的学习算法 MDDA 和 DDAN,得到了显著改善传输学习性能的结果。
- CVPR通过语义差异最小化进行无监督开放领域识别
我们提出了一种解决无监督开放域识别问题的方法,该问题中标记源域种类是未标记的目标域的一个子集。我们设计了语义引导匹配差异来衡量源域和目标域之间的不对称标签空间的域差异,并设计了有限平衡约束来实现更平衡的分类输出。我们开发了一个联合学习的网络 - CVPR无监督领域适应的对比适应网络
本文章提出了一种基于对比适应性网络 (CAN) 的无监督域自适应方法来解决类别信息不足导致的领域差异偏差问题,并证明 CAN 在两个真实场景 Office-31 和 VisDA-2017 上表现优异,具有更好的特征鉴别能力。