BEA_D-CSDN博客

原创解缠组件

Domain Agnostic Learning with Disentangled Representations笔记DADA框架：（解读：D分为 1、类解缠：分离域不变特征和类无关特征； 2、域解缠：分离域不变特征和域特定特征用标记的源域数据训练分类器C，通过C与D的对抗训练来使D生成类无关特征欺骗C，域不变特征和域特定特征输入到DI中输出域标签，D和DI的对抗提取域不变特征。）出发点：目标域数据可能不只是来自一个域的数据（比较杂），如何把有标注的源域信息迁移到没有标注..

2021-04-22 15:43:35 533

原创原型网络

类级跨域差异：计算不同域的同一类原型之间的成对再生核Hilbert空间(RKHS)距离。其基本思想是：如果源域和目标域的数据分布相同，则同一类在不同域上实现的原型是相同的。样本级领域差异：当源和目标分布很好地对齐时，每个源/目标样本应该由特定于任务的分类器正确地分类，从而导致跨域分类器的一致决策。...

2021-04-22 14:46:18 613

原创关于Cycle-GAN

Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks这篇文章的出发点是用在图像翻译时源域和目标域没有配对数据的场景。所以这篇文章提出了循环一致性损失，我们要学习一种映射G：X->Y，使得来自源域的数据X经过映射得到的G（X）能够与目标域的数据Y 是尽可能相似的，但是这样的约束是不够的，因为G是随机的，有无限多的映射可以将X映射为与Y同分布的。所以还添加了一个逆映射F：Y->X，这

2021-04-22 14:43:02 240

原创（CAN）Contrastive Adaptation Network for Unsupervised Domain Adaptation笔记

（CAN）Contrastive Adaptation Network for Unsupervised Domain Adaptation笔记动机：方法：提出了CDD度量函数，既可以保证类间差异最大化，又可以保证类内差异最小化：Contrastive Adaptation Network (CAN)：最小化多个全连接层的CDD距离：最小化源域数据的交叉熵损失：总的目标函数：CAN的优化：需要对目标标签假设和特征表示进行联合优化。在每次迭代中，固定当前的特征表示，

2021-04-19 21:26:40 625

原创（ETN）Learning to Transfer Examples for Partial Domain Adaptation笔记

Learning to Transfer Examples for Partial Domain Adaptation笔记这是篇关于部分域适应的论文，他也提到了之前三篇比较经典的关于部分域适应的论文，并指出了它们的不足之处。1.SAN:https://mp.csdn.net/editor/html/1152430212.PADA:https://mp.csdn.net/editor/html/1152779503.IWAN:https://mp.csdn.net/editor/html/11

2021-04-18 09:54:29 512

原创 Learning Domain Adaptive Features with Unlabeled Domain Bridges笔记

Learning Domain Adaptive Features with Unlabeled Domain Bridges笔记这篇文章是为了解决源域和目标域差异过大的情况，引入了一个现有的中间域（桥），通过源域和桥的匹配（S->B）以及桥和目标域（B->T）的匹配来达到减小源域和目标域分布差异的目的。structure：该模型由三部分组成：对抗性领域对齐（ADA），原型匹配网络，解缠组件。在训练阶段，特征提取器G将数据映射到特征空间，然后利用提取到的特征和域标签来进行

2021-04-08 19:42:01 169

原创 (PADA)Partial Adversarial Domain Adaptation笔记

（PADA）Partial Adversarial Domain Adaptation笔记提出了部分对抗性领域自适应算法(PADA)，它通过降低离群源类别数据的权重来减轻负迁移，并通过匹配共享标签空间中的特征分布来促进正迁移。Partial Adversarial Domain Adaptation：，且源域：，个类别目标域：，个类别挑战：降低离群源类的影响来缓解负迁移减少的分布差异来促进正迁移Domain Adversarial Neural Network：DAN.

2021-03-28 18:53:05 752

原创 (IWAN)Importance Weighted Adversarial Nets for Partial Domain Adaptation笔记

Importance Weighted Adversarial Nets for Partial Domain Adaptation笔记关于部分域适应：https://mp.csdn.net/editor/html/115243021这篇文章的框架：这篇文章提出了两域判别器策略：第一个分类器的输出是样本来自源域的概率，当第一个域判别器的激活量很大时（也就是来自目标域的概率小），说明该样本很可能来自于离群源类，并为该样本分配一个小的权重。因此使用第一个域判别器的激活作为每个源样本对目标域重要性

2021-03-28 10:55:13 510

原创 (SAN)Partial Transfer Learning with Selective Adversarial Networks笔记

Partial Transfer Learning with Selective Adversarial Networks笔记场景：介绍了局部迁移问题，假设目标标签空间是源标签空间的一个子空间。挑战：离群源类（属于源域但不属于目标域的类别）会导致负迁移。Partial Transfer Learning：目标标签空间Ct是源标签空间Cs的一个子空间，即。源域：，ns个源域样本，个源域类别。目标域：，nt个目标样本，个目标域类别。分别从p和q中采样源域和目标域，。且，表示属于共享类

2021-03-26 16:12:45 310

原创 Gradually Vanishing Bridge for Adversarial Domain Adaptation（CVPR2020）笔记

Gradually Vanishing Bridge for Adversarial Domain Adaptation（CVPR2020）笔记桥：现有表示和理想表示之间的差异（两个向量间差值的范数）现有特征表示：当前网络所提取到的特征理想表示：进行了特征分布匹配后的特征表示生成器上的桥：源域或中间域与目标域的差异判别器中：-------表示原判别器域的分界线，但有错分的情况 ·······表示判别器的桥（不是域的界限，而是与理想分界线...

2021-03-24 18:40:58 760

原创 Transferable Attention for Domain Adaptation笔记

Transferable Attention for Domain Adaptation笔记现有的对抗领域自适应方法主要是将从整个图像中提取的特征跨域对齐，而没有考虑不同区域的复杂分布。图像的不同区域具有不同的可转移性，为实现特征的细粒度对齐，这篇文章提出了TADA。由多个区域级鉴别器产生的局部注意力来突出可迁移的区域和由单个图像级域鉴别器产生的全局注意力来突出可迁移的图像。TADA结构：Transferable Local Attention为了在图像的不同区域匹配源域和目标域，用K个

2021-03-24 16:13:51 532 3

原创 Importance-weighted conditional adversarial network for unsupervised domain adaptation笔记

Importance-weighted conditional adversarial network for unsupervised domain adaptation这篇文章属于深度领域适配，深度领域适配主要包括两种方法：1.基于差异思想：特征提取器，分类器，MMD/CORAL…2.基于对抗思想：特征提取器，分类器，域判别器...

2021-03-21 20:13:14 595

BEA_D的博客