域适应学习笔记：visual Domain Adaptation

最新推荐文章于 2024-08-17 21:13:15 发布
最新推荐文章于 2024-08-17 21:13:15 发布
阅读量6.6k 收藏 23
点赞数 5
分类专栏： 文章理解 文章标签： 迁移 迁移学习 无监督学习 半监督学习 多任务学习
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/SusanZhang1231/article/details/73275024
版权
本文详细介绍了域适应学习，特别是在视觉领域的应用。文章首先定义了域适应的概念，然后探讨了几种基本的域适应类型，包括半监督、无监督、多域和异质域适应。接着，文章列举了如协变量漂移、类别不平衡、多任务学习等与域适应相关的学习方法，并讨论了视觉领域中的特征增强、特征转换、参数适应等方法。最后，提到了域适应在人脸识别、人脸合成和物体识别等领域的应用。
摘要由CSDN通过智能技术生成

在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种 特殊 的迁移学习 叫做域适应 （Domain Adaptation，DA ）。因为其任务相同，所以根据上篇博客中的内容可知，域适应属于一种直推式迁移学习。它在2006年由Daumeaume等人首次提出[1]。
1.域适应的一些基本公式
源域由充足的带标签数据组成，目标域由不充足的带标签数据或者充足的无标签数据组成。且目标域与源域中数据的分布不相同。X，Y分别表示带标签数据的数据以及标签， P(X,Y) 是X，Y的联合概率分布(joint distribution)（联合概率分布的几何意义为：如果将二维随机变量(X,Y)看成是平面上随机点的坐标，那么分布函数F(x,y)在(x,y)处的函数值就是随机点(X,Y)落在以点(x,y)为顶点而位于该点左下方的无穷矩形域内的概率。）。 P(X,Y)s ， P(X,Y)t 分别对应源域以及目标域的联合分布函数。 Ps(X) , Ps(Y) , Pt(X) , Pt(Y) 表示源域和目标域中X以及Y的边缘分布（marginal distributions）(某一组概率的加和，叫边缘概率。边缘概率的分布情况，就叫边缘分布)。 Ps(X|Y) , Ps(Y|X) , Pt(X|Y) ,

最低0.47元/天 解锁文章
SusanZhang1231
关注
专栏目录
论文笔记 —— 《Self- ensembling for visual domain adaptation》
ZZhangxyuuu的博客
12-17 1438
论文笔记 —— 《Self- ensembling for visual domain adaptation》 核心
带你了解域适应和域泛化技术
w25429696的博客
05-07 1874
关于域适应（DA）与域泛化（DG）的简单入门
domain adaptation
01-10
域适应的经典文章，cvpr，强化学习，迁移学习，核函数匹配
域自适应，你适应了嘛？
最新发布
m0_73938966的博客
08-17 1276
你想，源域分类可以分的很好，目标域又和源域的差异很小，这四舍五入，不就是目标域分类分的很好嘛。通常而言，源域的数据是大量的有标签的，目标域的数据是大量的无标签的，只有少部分有标签的。即优化绿色部分的特征提取器，来尽量让红色部分的判别器分不清特征是源域的还是目标域的。就说明在这个特征空间里源域和目标域是一致的，也可以理解为源域与目标域的差异很小。该方法损失函数由两部分组成：源域的分类交叉熵损失和源域与目标域的差异MMD。基于特征的自适应、基于实例的自适应、基于模型参数的自适应。利用已学知识解决新问题。
域适应（Domain adaptation）
dfql83704的博客
04-02 4479
定义 　　在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种 特殊 的迁移学习 叫做域适应 （Domain Adaptation）。 Domain adaptation有哪些实现手段呢？ 　　几乎所有的手段都尝试去学习一个特征转换，使得在转换过后的特征空间上，source dataset和target dataset分布的区分度达到最小。现实世界当中这个问题又分为...
【算法笔记】域适应（Domain Adaptation）
nymph_h的博客
07-18 8568
首先感谢原博主：https://www.cnblogs.com/Terrypython/p/10645520.html 1. 定义 在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种特殊的迁移学习叫做域适应 （Domain Adaptation）。 比如说，我们要实现一个自动区分垃圾邮件的算法。源数据是我的邮箱中的数据。现在要用这个算法对我朋友邮箱中的邮件进行分类。那么这就是两个...
迁移学习——Domain Adaptation
热门推荐
小花生的博客
07-08 5万+
Domain Adaptation 在经典的机器学习问题中，我们往往假设训练集和测试集分布一致，在训练集上训练模型，在测试集上测试。然而在实际问题中，测试场景往往非可控，测试集和训练集分布有很大差异，这时候就会出现所谓过拟合问题：模型在测试集上效果不理想。 以人脸识别为例，如果用东方人人脸数据训练，用于识别西方人，相比东方人识别性能会明显下降。 当训练集和测试集分布不一致的情况下，通过在训练...
域适应（domain adaptation）
如果想成为中心，那么就到中心去吧。
05-22 3万+
文章目录导读前言域适应类别任务相关性一步域适应技术及其应用基于散度的域适应基于对抗的域适应基于重建的域适应结论 导读 在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种特殊的迁移学习叫做域适应 （Domain Adaptation，DA ）。因为其任务相同，域适应属于一种直推式迁移学习。在计算机视觉中，域适应是一个常见要求，因为带有标注的数据集很容易取得，但是获得的数据集和我们最终应用的数据集来源的域往往是不同的。那么解决这类问题的思路是什么呢？请看 AI 前线翻译的这篇文章，希望能有所启
笔记：Semi-supervised domain adaptation with subspace learning for visual recognition (cvpr15)
easylifer的专栏
05-08 3230
本文基于子空间学习提出了一种半监督的域自适应框架（SDASL）。
[论文笔记/综述类] A Survey of Unsupervised Deep Domain Adaptation (持续更新)
weixin_44563093的博客
05-12 320
原文链接：https://arxiv.org/abs/1812.02849 1. Introduction This paper provides anoverview of generative adversarial networks (GANs) to provide background for the increasingly widespread use of adversarial techniques in domain adaptation. investigate the v..
domainAdaptation
03-25
domainAdaptation
Domain Adaptation for Visual Recognition
01-07
Domain adaptation is an active, emerging research area that attempts to address the changes in data distribution across training and testing datasets. With the availability of a multitude of image acquisition sen- sors, variations due to illumination, and viewpoint among others, com- puter vision applications present a very natural test bed for evaluating domain adaptation methods. In this monograph, we provide a compre- hensive overview of domain adaptation solutions for visual recognition problems. By starting with the problem description and illustrations, we discuss three adaptation scenarios namely, (i) unsupervised adap- tation where the “source domain” training data is partially labeled and the “target domain” test data is unlabeled, (ii) semi-supervised adaptation where the target domain also has partial labels, and (iii) multi-domain heterogeneous adaptation which studies the previous two settings with the source and/or target having more than one domain, and accounts for cases where the features used to represent the data in each domain are different. For all these topics we discuss existing adaptation techniques in the literature, which are motivated by the principles of max-margin discriminative learning, manifold learning, sparse coding, as well as low-rank representations. These techniques have shown improved performance on a variety of applications such as object recognition, face recognition, activity analysis, concept clas- sification, and person detection. We then conclude by analyzing the challenges posed by the realm of “big visual data”, in terms of the generalization ability of adaptation algorithms to unconstrained data acquisition as well as issues related to their computational tractability, and draw parallels with the efforts from vision community on image transformation models, and invariant descriptors so as to facilitate im- proved understanding of vision problems under uncertainty.
【论文笔记】迁移自适应学习综述
weixin_30480651的博客
03-28 4122
论文题目：《Transfer Adaptation Learning: A Decade Survey》 论文作者：Lei Zhang 论文链接：http://cn.arxiv.org/pdf/1903.04687.pdf 介绍 在很多实际的情况中, 源域(source domain)和目标域(target domain)之间存在： 分布不匹配(distribution mismatch) 领...
（转）Awsome Domain-Adaptation
a1424262219的博客
08-06 465
Awsome Domain-Adaptation 2018-08-0619:27:54 This blog is copied from:https://github.com/zhaoxin94/awsome-domain-adaptation This repo is a collection of AWESOME things about domian ada...
详解域适应
Y220and284的博客
05-07 2003
最后，使用获得的目标标签(以及可选的，标记的源和未标记的目标数据)来更新模型，从而得到分类良好的目标数据(右)。其核心思想是在源领域（source domain）和目标领域（target domain）之间，通过重新加权源领域的数据，来使源领域和目标领域的分布更加接近，从而提高在目标领域上的模型性能。主动域适应重加权算法的工作原理是通过重新加权源领域的数据，然后在重新加权的源数据上训练模型，以最小化源领域和目标领域之间的分布差异。这些技术有效减少了源域和目标域之间的差异，提升了模型在目标域的性能。
论文笔记：Visual Domain Adaptation with Manifold Embedded Distribution Alignment
kinredon的博客
10-27 3451
论文：Visual Domain Adaptation with Manifold Embedded Distribution Alignment 地址：https://arxiv.org/abs/1807.07258 一、简介 在解决 unsupervised domain adaption 时主要出现两个问题： 恶化的特征转化： 特征对齐通常在原来的特征空间中实施，而且特征扭曲现象难以克...
Deep visual domain adaptation: A survey
daxiawudi的博客
03-18 230
difference between one step and multi-step Class criterion soft label soft max metric learning （constructed the semantic alignment loss and the separation loss accordingly） MMD Architecture criterion adaptive batch normalization (BN) weak- related we
深度学习：理解与应用——领域适应与迁移学习入门
在"An introduction to domain adaptation and transfer learning.pdf"这篇技术报告中，作者Wouter M. Kouw和Marco Loog探讨了在深度学习和机器学习背景下，当训练数据与潜在分布存在偏差时，如何处理数据分布变化的...
评论
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