- CVPR开放式复合领域自适应
本文提出了一种基于课程域适应策略和记忆模块的方法,以处理由多个同质域组成的无标签复合目标域的开放复合域适应问题。实验证明我们的方法在数字分类,面部表情识别,语义分割和强化学习上非常有效。
- 建立跨领域人员再辨识强基线:最公平的它们
此研究针对跨领域的人物重识别问题,通过建立一个经过全面分析的大型基线数据集,以及通过在源域和目标域之间平衡选择数据来建立一个实用和强大的基线方法。
- 蝴蝶:野外无监督域自适应一步法
本论文提出了一种新的领域自适应问题,即在源域有噪声标签的情况下,通过未标记的目标域数据进行分类,该方法名为 WUDA。我们建议使用蝴蝶框架,该框架同时维护四个深度网络以解决噪声数据和分布偏移。我们发现,蝴蝶框架在 WUDA 下显着优于现有的 - 门控卷积神经网络用于域自适应
本文探讨了如何最大化在目标域上的性能,通过域适应学习方法和使用门控卷积神经网络来过滤掉领域相关知识,以提高针对目标域的情感分析的性能。经过广泛实验,我们发现使用门控卷积神经网络在目标域上的表现显著优于常规卷积和循环神经网络架构,并且通过卷积 - 防止由数据集转移导致的失败:学习可转移的预测模型
通过引入因果选择图的先验知识,该研究提出了一种主动学习方法,将不稳定性机制产生的变量从联合因式分解中删除,从而得到不变于不同环境中差异的干预分布 —— 手术估计器,比之前仅考虑条件关系的方法在严格更多的场景下找到了稳定的关系,并在真实世界数 - 无监督深度域适应综述
该研究论文对深度学习与非监督领域自适应进行了综述并对其中一些方法进行了比较,同时探讨了应用领域及未来研究方向。
- NIPS无监督域自适应的共同正则化对齐
本研究提出了一种多样化特征空间的共同约束域对齐方法,用于解决深度神经网络在不同数据分布下的泛化问题,并在多个领域适用。
- EMNLP跨领域情感分类的自适应半监督学习
本文提出一种面向跨域情感分类问题的方法,该方法采用半监督学习的想法,联合使用熵最小化和自举集成自我训练来整合未标记的目标数据进行分类器细化。实验结果表明,该方法可以更好地利用来自目标域的未标记数据,在各种实验设置中都取得了重大改进。
- ECCVNAM:非对抗性无监督域映射
本文提出了一种名为非对抗性映射的图像翻译方法,其利用一个预先训练的目标领域生成模型,将源图像与目标领域中的合成图像对齐,并同时优化域映射函数,其具有高质量、更简单高效的培训和可重复使用的目标模型等优点。
- CVPR通过渐进式域自适应进行跨领域弱监督物体检测
本文提出了一种跨域弱监督目标检测的框架,通过对源领域上有实例级别注释的图像和目标领域上仅有图像级别注释的图像进行双重领域适应技术进行微调,取得了 5 到 20 个百分点的均值平均精度改进。
- CVPR可迁移的联合属性身份深度学习用于无监督个人重新识别
本文提出了一种新的基于深度学习的 Transferable Joint Attribute-Identity Deep Learning (TJ-AIDL) 模型,可在目标域中进行无监督的 person re-id,并不需要目标领域中新的标 - NIPS通过变换函数进行假设迁移学习
本文提出了用于假设转移学习(HTL)的一种基于算法的新型框架,通过变换函数对源域和目标域之间的关系进行表征及风险分析,首次证明了,如果两个域之间存在关系,则 HTL 对于 Kernel Smoothing 和 Kernel Ridge Re - ICCV基于语义相似性嵌入的零样本学习
本研究使用混合模型解决无类别学习问题,通过学习相似度函数来映射源数据和目标数据到同一语义空间中,并在交叉验证的过程中联合优化参数,该方法在零样本识别的基准测试数据集上达到了显著的精确度提高。