- AAAI敏捷多源无域适应
通过使用多个预训练模型中的丰富知识来适应地利用知识是大模型时代中的一个重要问题。本研究提出了一种新方法,通过 Bi-ATEN 模块来学习领域内权重和领域间组合权重,以在实例的特殊性和域的一致性之间实现良好平衡,从而实现在无需访问源数据的未标 - 基于短语引导的风格转移的单域通用目标检测
单域广义目标检测提高模型泛化能力,只使用来自单一源域的数据进行训练。本文提出了一种基于短语定位的风格转移方法(PGST)来实现此任务。通过定义文本提示并利用已有模型学习目标域的风格,并将源域的视觉特征转移到目标域。最终,我们使用这些风格转移 - 跨域混合增强的半监督域适应
这篇论文介绍了一种新的半监督领域适应方法,称为具有领域内混合和邻域扩展的跨域集成,以解决标签空间中的标签不匹配问题,并通过利用邻域扩展进一步提高自适应模型的性能。
- 基于对象的(却不局限于类的)视频领域适应
视频领域适应的对象化(但类别不可知)视频领域适应(ODAPT)框架通过利用目标领域中一组稀疏的具有类别不可知对象注释的帧来适应现有的动作识别系统,为新领域的适应提供了一种简单而有效的方法。
- 领域引导条件扩散模型的无监督领域自适应
通过引入类别信息和领域分类器,DomAin-guided Conditional Diffusion Model (DACDM) 生成的样本有助于现有的无监督领域自适应方法更轻松地从源域传递到目标域,从而提高了转移性能。DACDM 在各种基 - 应用银标准标签进行基于 Ki-67 评分的数字病理学领域适应性迁移:向广泛部署更近一步
本研究提出了一种利用无监督学习进行目标领域自适应的方法,用于提高医学图像分析的准确性。
- ICML测试时间风格转移:处理领域通用中的任意风格
本文提出了测试时样式转换和样式均衡方法以解决域泛化中的模型训练与目标域未知的问题。在不需要进一步模型更新的情况下,通过这种方法,模型可以处理任意具有任意样式统计数据的目标域,并且已在不同数据集上得到实验证明其有效性。
- ACLMetaAdapt: 基于 Meta Learning 的领域自适应小样本谣言检测
本文提出 MetaAdapt,一个基于元学习的方法,旨在解决在社交媒体等新兴领域中针对虚假信息检测的数据稀缺性问题,具有更好的领域适应性、优秀的表现和大幅减少的参数。
- ICLR基于 Dirichlet 的活动领域适应不确定性校准
该研究提出了一种基于狄利克雷分布的不确定性校准方法来提高领域适应模型,同时解决了不确定性预测和关键样本挑选的问题。
- 深度无监督域自适应:近期进展和展望综述
深度学习在许多领域都展现出其超凡表现,但仅仅依靠大量标记数据来训练模型并不能保证其在面临目标域的分布变化时仍有出色的表现,无监督域自适应通过利用源领域标记数据和目标领域未标记数据来解决该问题,并已在自然图像处理、自然语言处理等领域取得了许多 - 高效适配深度神经网络的单向薄适配器
该论文提出了一种新的适配器网络 UDTA,通过为主干网络提供辅助特征来帮助分类器适应新数据。在五个细粒度分类数据集的实验中,UDTA 显著减少了反向传播所需的计算和训练时间,并显示出与传统适配器模型相当甚至更好的准确性。
- AAAI基于能量的领域自适应主动学习
本文介绍了一种基于能量模型的主动学习策略,名为 “EADA”,可用于帮助将深度神经网络推广到新的目标域。该算法通过求解目标数据组的自由能量,结合领域特征和实例不确定性,从中选择最有价值的目标数据样本。此外,领域差可以通过调整目标数据的自由能 - 无监督微调
本文研究了无监督微调的问题,提出了两种简单有效的策略来将源数据和目标数据进行组合以实现更好的传递性能。通过在多个不同的目标数据集上进行广泛的实验,表明了所提出的 “无监督微调” 策略比朴素策略具有更好的传递性能。
- CVPR无监督多源域自适应,无需访问源数据
该研究提出了一种算法,可以在没有源数据和目标标签的情况下,自动结合适当的权重来组合源模型,以获得与最佳源模型同样好的性能,这为无监督领域自适应提供了实用性的解决方案。
- 领域印象:一种无需源数据的领域自适应方法
该论文提出了一种无需源数据的领域自适应技术,其基于生成式框架,使用来自源类的分类器生成样本,并使用神经能量网络训练联合分布,在此极为新颖的场景中取得了比基准模型更好的结果。
- ICCV基于任务分解的深度协作训练用于半监督域自适应
本文提出了一种名为 DeCoTa 的半监督域自适应方法,该方法通过将任务分解为目标域中的半监督学习和跨域无监督域适应来利用目标域检查,DeCoTa 可以在多个 SSDA 数据集上取得最先进的结果,超过先前工作 4% 以上。
- ECCV吸引、干扰与探索:学习特征对齐网络进行半监督域自适应
该论文提出了一种半监督领域自适应框架(SSDA),主要通过三个方案(吸引、扰动和探索)来解决目标域中的域内差异问题,进而实现特征对齐。在多个数据集上的实验表明,该方法优于其他方法。
- ECCV基于 $n$ 参考的显著性预测迁移学习
提出了一种少样本迁移学习的范式来预测缺乏足够数据的新域中的显著性映射,在来自现有大规模数据集的知识迁移方面实现高效率,并且该框架在不同数据集对之间实现了显著性能的提升。
- 领域自适应的判别式主动学习
本文提出了一种用于区域自适应的主动学习方法,通过使用三阶段的主动对抗训练神经网络(包括不变的特征空间学习阶段、不确定性和多样性准则及其折衷的查询策略,以及使用查询的目标标签重新训练阶段),该方法可以减少数据标注的工作量,对四个基准数据集进行 - 自我监督下的无监督领域自适应
本文研究无监督领域自适应,提出了一种将源域和目标域之间的表示进行对齐的方法,从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中,我们获得了四个标准基准测试中的最先进结果,并在分割适应性方面取