- 基于伪目标域的多源无监督域自适应
提出了一种新的多源域自适应方法 Pseudo Target for MDA (PTMDA),采用敌对学习与度量约束将每组源和目标域映射到特定的子空间,并构造了一系列伪目标域进行训练以提高性能。此外,为提高深度神经网络的传递性,用有效的匹配规 - 多源视频领域自适应:时间注意力动态对齐
本文介绍了一种新的 Temporal Attentive Moment Alignment Network 模型,针对 Multi-Source Video Domain Adaptation 问题,通过动态对齐空间和时间特征矩阵,同时构建 - T-SVDNet:探索多源域自适应的高阶样板相关性
该研究提出了一种名为 T-SVDNet 的新方法,通过将 Tensor 奇异值分解(T-SVD)结合到神经网络的训练管道中,全面探索多个域和类别之间的高阶相关性,旨在更好地弥合域差距,实现多源域自适应。与其他方法相比,在公共基准测试上,该模 - 多目标偏移源数据聚合
本文提出了一种采用语义条件分布相似性来聚合多源领域的方法,同时在三种常用的场景下选择相关源的框架,并通过实验验证了该方法的有效性。
- 分类器秘密地满足多源域自适应
该论文提出了一种新的包括深度模型及自监督隐式对准在内的 MSDA 方法,并通过利用伪标记目标样本并在伪标记上强制执行分类器一致性来实现自适应,该方法被称为 Self-supervised Implicit Alignment (SImpAl - CVPR多源域适应的动态传递
本文提出动态转移 (Dynamic Transfer) 方法应对多源领域间的冲突,它能够通过对样本进行模型参数的适应性调整,突破领域界限,简化源域和目标域之间的对齐。实验结果表明,我们提出的动态转移方法在多源领域适应数据集 (DomainN - ICCVmDALU: 多源域适应及部分数据集标签统一
该研究提出了一种多源域自适应和标签统一问题的新方法,使用领域关注、不确定性最大化和注意力引导的对抗性对齐解决不匹配标签的负向转移,并在部分监督和完全监督的适应阶段传递知识以进行标签完成处理,在三种不同的任务中实现了显著优于现有竞争方法的表现 - ICMLKD3A: 通过知识蒸馏进行无监督多源去中心化域自适应
KD3A 是一种隐私保护的多源领域自适应算法,它通过对来自不同源域的模型进行知识蒸馏来实现域适应,并采用多源知识投票、共识聚焦和 BatchNorm MMD 等方法解决了常规 UMDA 方法中存在的负迁移、安全通信和数据质量等问题,同时相对 - WWW利用多个来源的课程 CycleGAN 进行文本情感域自适应
本文介绍了一种名为课程循环一致生成对抗网络(C-CycleGAN)的实例级多源域适应框架,可在处理用户评论和反馈数据中应用多源域适应领域,该框架主要包括预训练文本编码器、中间域生成器和任务分类器,可达到比现有域自适应方法更好的性能。
- ECCV无监督领域自适应的领域嵌入
本研究提出了一种基于 Domain2Vec 模型进行视觉领域向量化表示的方法,并创建了两个大规模跨域基准测试集 TinyDA 和 DomainBank,实验表明该方法可以预测不同域之间的相似性,并优于现有领先的多源领域自适应方法。
- ECCV学习如何组合:多源领域自适应的知识聚合
通过探索不同域之间的相互作用,我们提出了一种基于知识图谱的多源领域适应框架(Learning to Combine for Multi-Source Domain Adaptation, LtC-MSDA),其中构建了知识图谱来实现语义相邻 - TriGAN:多源域适应的图像到图像翻译
本文提出了基于生成对抗网络的多源域自适应方法,通过将图像特征投影到保留内容依赖性的空间,再将这个不变表示重新投影到像素空间,从而生成训练目标分类器所需的新标记图像。通过 MSDA 基准测试,表明本文的方法优于现有技术。
- CVPRStandardGAN: 多源域自适应用于对非常高分辨率卫星影像的语义分割,采用数据标准化
本文介绍了一种处理多源数据对抗问题的方法:StandardGAN,该方法在单一目标域的基础上,标准化每个源和目标域数据的分布,实验表明,StandardGAN 生成的标准化数据使分类器生成更好的语义分割。
- 多源领域自适应互相学习网络
本文介绍一种新的多源域自适应方法 —— Mutual Learning Network for Multiple Source Domain Adaptation (ML-MSDA)。通过互补学习的框架,该方法将目标域与每个单一源域配对,使 - 深度学习时代的多源域适应:系统综述
本文介绍了多源域适应的概念和相关技术方法,探讨了其在深度学习时代的发展趋势和研究方向,为该领域的研究提供借鉴和参考。
- MADAN: 多源敌对领域聚合网络用于领域自适应
本文提出一种新的多源领域自适应 (MDA) 框架,通过设计一个端到端的多源对抗性域聚合网络 (MADAN) 来解决领域自适应中的像素级对齐和任务特征不对齐等挑战,并通过在数字识别、对象分类和模拟到真实语义分割等领域进行广泛的实验,证明 MA - 多源域自适应语义分割
本文提出了一种多源领域自适应的新型框架 MADAN,其中包括通过动态语义一致性生成每个源的适应域,通过子域聚合鉴别器和交叉域循环鉴别器使得不同的适应域更紧密地聚合,以及在训练分割网络时对聚合域和目标域进行特征级对齐。实验表明,MADAN 模 - 针对特定领域的批量归一化在无监督领域适应中的应用
提出了一种基于领域特定批量归一化的深度神经网络的新型无监督领域自适应框架,其中包括估计目标领域示例的伪标签和使用多任务分类损失进行源和目标域的学习,实现了多源领域自适应场景的全面优化。
- 多源域自适应的时刻匹配
本文提出并介绍了一种基于 Moment Matching 的多源领域适应方法 (M3SDA)。借助我们构建的数据集 DomainNet,该方法可以动态地对多个带标签源领域的知识进行转移,以对目标领域的无标签数据进行分类。实验结果表明我们的数 - 目标偏移下的多源域自适应最优传输
本文提出了一种基于最优传输的多源域自适应方法解决目标移位下的分类问题,实验结果表明相比现有技术在卫星图像分割任务上具有较好的性能。