半监督领域自适应之FADA--Few-Shot Adversarial Domain Adaptation

最新推荐文章于 2024-08-14 16:26:49 发布
最新推荐文章于 2024-08-14 16:26:49 发布
阅读量5.4k 收藏 16
点赞数 3
分类专栏： 迁移学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Adupanfei/article/details/85164925
版权
FADA（Few-Shot Adversarial Domain Adaptation）是一种利用对抗学习的半监督领域适应方法，旨在通过少量目标域标签数据提高性能。该方法通过构建不同类型的样本对并训练一个嵌入子空间，保持同类样本间距离最小，同时最大化不同类别间的差异。模型包括预训练、Siamese网络和域分类器等阶段，以实现源域和目标域的语义对齐。
摘要由CSDN通过智能技术生成

文章目录

介绍

Unsupervised domain adaptation (UDA)无监督领域自适应不需要目标域任何标签数据，但是需要大量的目标域数据才能适应数据的分布，并没有任何的语义信息（标签）。半监督的领域适应只需要少量的目标域标签数据就能达到超过UDA的性能。实际应用中也更符合要求，我们可以在新的领域得到少量的标签数据。FADA（Few-Shot Adversarial Domain Adaptation）方法采用对抗学习的思想学习一个嵌入子空间，在最大化不同类中间的差别的同时，最小化同类样本的差别（不管是源域还是目标域）。

论文和实现

论文：https://arxiv.org/abs/1711.02536
代码：https://github.com/dupanfei1/deep-transfer-learning-for-waveform/tree/master/semisupervised/FADA
(ubuntu16.04 python3.5, torch0.3.1可运行)

构造grouped sample pairs

在这里插入图片描述

G1: 同

最低0.47元/天 解锁文章
Adupanfei
关注
专栏目录
只需少量数据就能适应网络——《FEW-SHOT ADAPTATION OF GENERATIVE ADVERSARIAL NETWORKS》论文解析
wenqiwenqi123的博客
12-07 6751
今天来看一篇few-shot适应的论文，还挂在arxiv上，同时在github上也有开源的项目：http://www.estherrobb.com/few-shot-gan/ 这篇文章来自弗吉尼亚理工和谷歌研究院。谷歌研究院就喜欢搞一些开源、video什么的。 那么这篇文章做了一件什么事呢？对于一个生成网络，我们本来需要大量的数据才能训练出一个好的结果，但是在某些情况下，我们只能获得少量的数据。因此合理地利用先验知识，在这个域中只使用少量数据就得到较好的结果就变得有必要了。 那么就来看看是怎么做的吧：
半监督领域自适应之CCSA--Unified Deep Supervised Domain Adaptation and Generalization
Adupanfei的博客
12-21 4306
文章目录介绍论文和实现模型架构 介绍 Unsupervised domain adaptation (UDA)无监督领域自适应不需要目标域任何标签数据，但是需要大量的目标域数据才能适应数据的分布，并没有任何的语义信息（标签）。半监督的领域适应只需要少量的目标域标签数据就能达到超过UDA的性能。实际应用中也更符合要求，我们可以在新的领域得到少量的标签数据。CCSA充分利用目标域少量（甚至一个）标签数...
yolo5~半监督域自适应
whaosoft143ai的博客
01-13 2147
本文提出了一种名为SSDA-YOLO的新型半监督跨域目标检测方法。同以往大部分基于二阶段的目标检测器 Faster-RCNN 方法不同，本文采用更实用的 YOLOv5 作为基础的检测器。具体来说，这个框架包含三个有效的组件。首先，基于知识蒸馏结构，我们分别学习作为学生网络的 YOLOv5 和基于教师网络的 Mean Teacher 模型，以构建稳健的训练。其次，通过执行风格转移以交叉生成伪标签训练图像以减轻全局域差异。最后，应用一致性损失函数来校正来自不同域但具有相同标签的图像的预测偏移。whaosoft
基于深度学习的领域自适应
最新发布
weixin_42605076的博客
08-14 845
基于深度学习的领域自适应（Domain Adaptation）是机器学习中用于解决跨域差异问题的一种方法。当训练数据和测试数据来自不同的分布时，直接应用传统深度学习模型可能会导致性能下降。领域自适应技术通过缩小源域（训练数据域）和目标域（测试数据域）之间的分布差异，来提升模型在新域中的性能。
[论文笔记] Few-Shot Adversarial Domain Adaptation
weixin_44563093的博客
04-21 375
原文链接：https://proceedings.neurips.cc/paper/2017/file/21c5bba1dd6aed9ab48c2b34c1a0adde-Paper.pdf github链接：GitHub - HX-idiot/FADA-Pytorch: pytorch implement for the paper Few-Shot Adversarial Domain Adaptation Contributions 处理只有少量数据的情形并且提供高效的训练。 扩展对抗学习的方法
2017nips few-Shot Adversarial Domain Adaptation
王大胖的博客
11-16 250
2.UDA的两个缺陷 首先，数据量小 二，不能确保不同domain但是同类别的data的语义对齐 3.1 Handling Scarce Target Data 问题一： target 的data少，怎么办，扩充它 by pairing them with each training source sample. 问题二：需要用到target的label信息 对策： 创造pairs of samples domain-class discriminator DCD 判断是四种pair中的哪一个 ...
缓解语义层偏移:一种半监督域自适应语义分割方法
weixin_44796609的博客
02-28 740
域适应语义分割系列论文分享
语义分割-CyCADA: Cycle-Consistent Adversarial Domain Adaptation.循环一致对抗领域自适应
ssshyeong的博客
03-03 5965
提出了循环一致对抗域适应算法(CyCADA)，该算法在像素级和特征级对表示进行适应，同时通过像素循环一致性和语义损失实现局部和全局结构一致性。CyCADA整合了之前的特征级别和图像级别对抗域自适应方法和循环一致的图像到图像翻译技术.
awesome-domain-adaptation:关于domian适应的令人敬畏的东西的集合
04-01
单一来源深度无监督可视域自适应研究的 深度视觉域适应：一项调查 深度迁移学习调查 视域适应：近期进展调查 理论 Arxiv 标签传播的亚群转移理论 无监督域自适应的一般上限 关于深层域自适应：一些理论理解 ...
【基础论文笔记三】(2018 ICML)CyCADA-Cycle-Consistent Adversarial Domain Adaptation循环一致性对抗域自适应-论文笔记
m0_60231311的博客
04-01 551
虽然特征空间方法很难解释，有时无法捕捉像素级和低级别的域偏移，但图像空间方法有时无法结合与最终任务相关的高级语义知识。本文提出了一种模型，该模型使用生成图像空间对齐和潜在表示空间对齐在域之间进行自适应。我们的方法，语义损失既引导整体表示具有鉴别性，又加强域之间映射前后的语义一致性。我们的方法提供了一个统一的领域对抗性学习模型，该模型结合了先前图像级别方法的可解释性和低级别结构一致性。
Dassl.pytorch:用于域自适应和半监督学习的PyTorch工具箱
03-20
达斯尔 Dassl是一个工具箱，旨在研究领域适应和半监督学习（因此而命名为Dassl ）。它具有模块化设计和统一的界面，可以快速进行原型设计和新DA / SSL方法的试验。使用Dassl，只需几行代码即可实现一种新方法。 您可以将Dassl用作库进行以下研究： 领域适应 域泛化 半监督学习 什么是新的 [2021年3月]我们刚刚在上发布了关于域泛化的调查，该调查总结了该主题的十年发展情况，涵盖了历史，相关问题，数据集，方法论，潜力方向等等。 [2021年1月]我们最近的工作 （混合不同域样本的实例级特征统计信息以改善域泛化）已被ICLR'21接受。该代码已在中发布，其中跨域图像分类部分基于Dassl.pytorch。 [2020年5月] v0.1.3 ：添加了Digit-Single数据集，用于对单源DG方法进行基准测试。相应的CNN模型为 ，数据集配置文件为 。参见了解如何评估您的方
SSDA-YOLO：新的YOLOv5改进方法——用于跨域目标检测的半监督域自适应YOLO方法
m0_70388905的博客
11-13 4892
域自适应目标检测（DAOD）旨在缓解跨域差异导致的传输性能下降。然而，大多数现有的DAOD方法由计算密集的两级检测器主导，这不是工业应用的首选。本文提出了一种新的基于半监督域自适应YOLO（SSDA-YOLO）的方法，通过将紧凑型单级检测器YOLOv5与域自适应相结合来提高跨域检测性能。
输入域_半监督的域适应问题
weixin_32211599的博客
12-19 761
介绍一篇ICCV2019的#论文#。主题是用熵解决半监督的域适应问题Semi-supervised Domain Adaptation via Minimax Entropy概述在#人工智能#领域，半监督域适应是一个很常见问题。是指存在两个数据集，一个是全部标注的源域，另一个是只有少量数据有标注，大量数据无标注的目标域。要利用源域的数据训练一个在目标域上好使的模型域适应问题的难点在于：如何找到源域...
Few-shot Unsupervised Domain Adaptation with Image-to-Class Sparse Similarity Encoding
weixin_44575717的博客
02-26 234
【域适应九】2023 CVPR - Semi-Supervised Domain Adaptation with Source Label Adaptation
m0_60231311的博客
10-10 713
半监督域自适应（SSDA）涉及学习将看不见的目标数据与一些标记和大量未标记的目标数据以及来自相关域的许多标记源数据进行分类。当前的SSDA方法通常旨在通过特征空间映射和伪标签分配将目标数据与标记的源数据对齐。然而，这种面向源的模型有时会将目标数据与错误类的源数据对齐，从而降低分类性能。本文提出了一种新的源自适应范式，该范式调整源数据以匹配目标数据。关键思想是将源数据视为理想目标数据的噪声标记版本。然后，本文提出了一个SSDA模型，该模型借助于从目标角度设计的强大的清洁器组件来动态地清除标签噪声。
自适应域半监督情感分类：Adaptive Semi-supervised Learning for Cross-domain Sentiment Classification
g534441921的博客
07-08 1274
跨域情绪分类的自适应半监督学习Abstract1 Introduction2 Related WorkDomain AdaptationSemi-supervised Learning3 Model Description3.1 Notations and Model Overview3.2 Feature Adaptation3.3 Domain Adaptive Semi-supervisedLearning (DAS)Entropy MinimizationSelf-ensemble Bo
【迁移学习】Prototypical Cross-domain Self-supervised Learning for Few-shot Unsupervised Domain Adaptation
毛毛的博客
11-25 3448
摘要 无监督域适应(UDA)将预测模型从完全标记的源域转移到无标记的目标域。然而，在某些应用程序中，甚至在源域中收集标签都很昂贵，这使得以前的大多数工作都不切实际。为了解决这个问题，最近的工作执行了基于实例的跨领域自我监督学习，然后是一个额外的微调阶段。然而，实例自监督学习只学习和对齐低层次的判别特征。在本文中，我们提出了一个端到端原型跨域自监督学习(PCS)框架用于小样本无监督域适应(FUDA)。PCS不仅对跨域低级特征对齐，而且对跨域共享嵌入空间中的语义结构进行编码和对齐。我们的框架通过域内原型对比学习
无监督域适应 （UDA）（1）
05-09 4242
经典机器学习假设训练集和测试集来自相同的分布。然而，这个假设在现实世界的应用程序中可能并不总是成立，例如，数据来源不同。这种情况下，域分布之间会存在差异，直接将训练好的模型应用于新数据集可能会导致性能下降。本贴主要讨论（有标签的源域、无标签的目标域）。
image-to-Image Translation with Conditional Adversarial Networks
12-27
image-to-Image Translation with Conditional Adversarial Networks（条件对抗网络的图像到图像转换）是一种用于图像转换的深度学习方法。它通过训练一个生成器网络和一个判别器网络来实现图像的转换。生成器网络将...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值