- CVPR用数量化的领域转移度量和合成场景图像落地风格领域泛化
在这篇论文中,我们介绍了一种新的领域综合范式,该方法通过提取领域不变特征来解决机器学习中的领域泛化问题,并引入了两个新的定量衡量标准 ICV 和 IDD 来描述风格领域的变化,同时提出了 SuperMarioDomains(SMD)这一新的 - 通过利用目标观点进行跨目标立场检测
本文提出了一种多角度提示调整模型(MPPT)用于跨目标立场检测(CTSD),利用分析视角作为知识转移的桥梁,通过提供多视角的自然语言解释来融合到立场预测中,实验证明了 MPPT 在 CTSD 任务中的优越性。
- AAAITACIT: 一个目标不可知特征解缠框架用于跨领域文本分类
提出了一种名为 TACIT 的目标域不可知特征分解框架,通过变分自动编码器自适应解耦强韧特征和非强韧特征,并设计了一项特征蒸馏任务来促使非强韧特征逼近教师模型输出,实验证明仅利用源领域数据时,我们的框架实现了与最先进基线方法相当的结果。
- 自监督蒸馏的两阶段跨领域文本分类框架
本文提出了一种二阶段跨域文本分类的框架,使用掩蔽语言模型和标记数据从源域进行模型微调,然后使用自监督蒸馏和目标域的无标注数据进一步微调模型,实验结果表明我们的方法在单源域(94.17% ↑1.03%)和多源域(95.09% ↑1.34%)适 - EMNLPWIDER & CLOSER: 短通道蒸馏器的混合物用于零样本跨语言命名实体识别
本研究提出了一种混合短通道蒸馏方法(MSD),旨在完全互动教师模型中的丰富分层信息,并足够高效地将知识转移给学生模型,通过在多个蒸馏器聚合为混合物的多通道蒸馏框架实现信息传输。此外,还提出了一种无监督方法,采用平行领域自适应来缩短教师和学生 - ECCV跨领域集成蒸馏用于领域泛化
本文提出了一种名为 XDED 的跨域集合蒸馏方法,通过学习域不变特征并鼓励模型收敛于平坦极小值来提高泛化能力,同时提出了解决任意目标域中样式连贯性的去风格化方法。该方法在交叉领域图像分类、跨数据集的 person re-ID 和语义分割中极 - CVPR边际对比对应法引导图像生成
该研究使用边缘对比学习网络(MCL-Net)进行基于样例的图像翻译,设计创新的边缘对比损失的辅助信息自相关图(SCM)来指导建立密集的对应关系。实验结果表明,该方法在多样化的图像翻译任务中优于现有技术。
- ICML连接,而非坍塌:解释对比学习在无监督领域适应中的应用
本文针对无监督域适应问题,提出了一种基于对比度预训练的分类器学习方法,该方法可以学习到跨领域的分类特征而无需在领域间建立不变特征映射,并在基准视觉数据集上获得了验证。
- DVG-Face:双重变分生成用于异质人脸识别
该研究提出了一种双重生成模型,通过引入正面样本和负面样本,从而生成大量多样的异构人脸图像以训练异构人脸识别(HFR)网络,使其具有域不变且具有区分度的嵌入特征,并在多项挑战性数据库的 5 个 HFR 任务上实现了优越的表现。
- 野外场景文字检测的合成到真实无监督域自适应
研究了合成数据对实际数据的转化问题,并提出了基于对抗文本实例对齐与文本自训练的技术来解决领域差异,以提高场景文本检测的性能。
- ECCV在域内外泛化中平衡特异性和不变性的学习
本研究提出了一种域特定掩码模型,旨在提高领域内和领域外的泛化性能,在 PACS 和 DomainNet 中实现与先前的方法竞争性能。
- 自适应累积知识迁移用于部分领域自适应
本文介绍了一种自适应积累知识传递框架(A $^ 2$ KT),其中包括自适应积累机制,双特征分类器结构以及最大化聚类中心差异性和最小化聚类紧密度以获得更多领域不变性和任务特定的共享类别数据区分能力,该框架旨在解决部分域适应问题。复杂的实验表 - MM面部表情跨领域识别的对抗性图表示适应
本文提出了一种名为 AGRA 的新颖的敌对图表示适应框架,将图表示传播与敌对学习结合起来,实现跨域整体 - 局部特征共适应,并探索它们的相互作用,使 AGRA 框架能够自适应地学习细粒度的不变特征,从而促进跨域表情识别。
- 通用人物再识别的双分布对齐网络
本文介绍了一种双分布对齐网络 (DDAN),通过选择性对齐多个源域的分布将图像映射到域不变特征空间,然后通过双层约束,即面向域的对抗特征学习和面向身份的相似性增强来处理人员重识别中的域泛化问题。量化结果表明,在大规模域泛化人员重识别基准测试 - 少量源标签域自适应交叉领域自监督学习
本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法,即交叉领域自监督学习方法,它能够有效地学习既具有领域不变性又具有类别判别性的特征表示,它通过自监督学习和跨领域特征匹配实现跨域知识转移,并在三个标准基准数据集上实现了显著的性能 - AAAI通过深度对抗互学习提高领域适应的情感分类
通过深度对抗互学习方法,利用领域鉴别器、情感分类器、标签探针和标签鉴别器促进特征提取器学习来自源域和目标域的情感。实验结果表明,这种方法在多个公共数据集上实现了最先进的性能,证实了标签探针引导的互相学习的有效性。
- AAAI结构化预测选择性伪标记的无监督域自适应
本篇论文提出了一种基于结构化预测的选择性伪标记策略,通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记,实验证明该策略表现优于当代最先进方法。
- ZstGAN:一种对抗式方法实现无监督零样本图像到图像的转换
本文提出了一种基于无监督零样本形式的图像到图像的翻译问题,通过引入对抗训练机制,使用 ZstGAN 框架学习建模每个领域,然后使用共享编码器将域不变特征解缠,进行图像生成,并在 CUB 和 FLO 数据集上进行了广泛的实验,结果表明该方法对 - 学习不变表示以进行领域自适应
本文针对无监督域适应学习中常见的假设提出了简单反例,证明了这些假设并不足以保证域适应的成功;提出了一种基于信息理论的弱化条件,并证明了任何试图学习不变表示的域适应方法的联合误差都存在一种基本的权衡;最后,通过实验验证了理论结果。
- CVPR适应性和再认网络:一种无监督的深度迁移学习方法用于人员再认证
该论文提出了一种基于无监督领域自适应的 person re-identification(Re-ID)网络模型,能够在没有外部监督数据的情况下,利用来自多个数据源的信息,提取出具有领域不变性的特征向量,并在实验中取得了比其他同类方法更好的效