LIVE 预告 | CVPR 2021 预讲 · 迁移学习前沿与进展

CVPR 2021 大会将于6月19日至 25日线上举行。为促进同行之间的交流与合作，智源社区将举办系列CVPR 2021预讲报告，其中实验室系列将汇聚国内顶尖高校和企业实验室的研究人员为大家分享其最新研究成果。

 

在本届CVPR会议中，北京理工大学助理教授李爽团队有 3 篇文章被录用，智源社区特邀请李爽及其学生，做 「CVPR 预讲·北理工李爽团队专场」报告。

活动主题：CVPR预讲 · 北理工李爽团队专场

活动时间：2021年3月25日（周四）晚7点

形式：线上直播（Zoom + 智源社区Hub + 智源社区B站）

活动议程：

报告内容详细介绍

---

 

专场主持人：李爽，北京理工大学计算机学院助理教授

 

---

报告主题 1 ：领域自适应的迁移语义增强

讲者：谢蜜雪，北理工·研一

论文标题：Transferable Semantic Augmentation for Domain Adaptation

报告简介：现有的领域自适应方法大多是基于一个共享的源域监督分类器来对齐两个域的特征表示。然而，这种分类器限制了模型在未标记目标域上的泛化能力。针对这个问题，我们提出了一种迁移语义增强方法（TSA）：通过朝着目标域的语义方向，隐式地生成源域增强特征，利用这些具有目标域语义的增强特征来提高模型在目标域上的泛化能力。具体地，对于每一类，我们利用一个多元正态分布来建模两个域之间该类的语义差异，然后从构建的分布中随机采样语义增强方向来增强源域特征。最后，通过最小化一个期望损失函数的上界实现了源域特征的无限增广。相比于其他应用于DA的数据增强方法，我们的方法是隐式增强，其引入的额外计算开销几乎可忽略不计，更轻量通用。在多个公开的跨领域数据集上，TSA都取得了更有竞争力的实验结果。

---

 

报告主题 2：高效推断的动态领域自适应

讲者：马文轩，北理工·本科在读

论文标题：Dynamic Domain Adaptation for Efficient Inference

报告简介：以往的领域自适应算法大多利用复杂而强大的深层神经网络来提高自适应能力，并取得了显著的成功。然而，它们可能无法适用于实时交互等实际情况，即在有限的计算资源下低延迟是一个基本要求。为了解决这个问题，本文提出了一种动态领域自适应（DDA）框架，该框架既能在低资源场景下实现高效的目标推理，又能继承领域自适应算法带来的良好跨域泛化特性。与静态模型不同，通过在网络中配置多个中间分类器来动态推断“更简单”和“更困难”的目标数据，DDA可以将各种领域混淆约束集成到任意的经典自适应网络中，简单而通用。此外，该论文还提出了两种新的策略来进一步提高多个预测出口的自适应性能：1）基于置信度得分的学习策略——充分挖掘不同分类器的预测一致性，以此获得目标域数据的准确伪标签；2）类平衡的自训练策略——在不损失预测多样性的前提下，使多阶分类器从源域显式地适配到目标域上。多个基准上的实验验证了DDA算法在域迁移和资源受限的情况下，仍能够持续地提高自适应性能并加速目标推理。

---

报告主题3：针对长尾图像识别的元语义增广

讲者：龚凯雄，北理工·研一

 

论文标题：MetaSAug: Meta Semantic Augmentation for Long-Tailed Visual Recognition

报告简介：现实世界的训练数据通常表现为长尾分布，其中几个多数类的样本数量显著多于其余少数类。这种不平衡的数据分布使得专为平衡数据集设计的监督算法出现性能退化。在本文中，我们利用最近提出的隐式语义数据增强(ISDA)算法来增强少数类来解决这个问题，该算法通过沿着多个有语义意义的方向迁移深层特征来产生多样化的增强样本。重要的是，鉴于ISDA利用各类的统计信息来获取语义方向，我们发现其在缺乏训练样本的少数类上表现欠佳。为此，我们提出一种基于元学习自动学习语义转换方向的新方法。具体地说，训练过程中的增广策略是动态优化的，目标是最小化小型平衡验证集上的损失，这一过程可用一步元更新近似。在CIFAR-LT-10/100、ImageNet-LT和iNaturalist 2017/2018上的实验结果证明了我们方法的有效性。 

 

观看方式：

智源社区Hub直播：（点击【阅读原文】或扫描下方二维码）

（社区报名，可收到短信定时提醒）

Zoom 观看：https://zoom.com.cn/j/6011507040（无密码）

 

B站直播：https://live.bilibili.com/21484823

欢迎加入智源CVPR兴趣组

 

（加入CVPR兴趣组，共同讨论最新进展）

---

CVPR 研究组成员招募

智源社区作为一个以构建高度合作为目的的人工智能社区，为了推动人工智能领域，特别是计算机视觉领域研究者和从业者之间的交流和合作，我们将组织「CVPR 兴趣研究组」（以下简称“CVPR研究组”），以在线合作的方式来推动CVPR的交流工作。

CVPR研究组将以在读硕博为主要群体，围绕「CVPR」会议做（但不限于）以下工作，包括撰写论文解读文章、邀请并主持CVPR论文报告、专题讨论及领域进展分析等，以期促进大家的研究工作，并激发研究灵感，做出创新研究。

本研究组采用申请入组机制：

• 详情可点击「阅读原文」查看

• 报名请扫描二维码

（申请加入「CVPR 研究组」）