迁移学习-PixelDA-Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks

最新推荐文章于 2025-03-07 11:20:40 发布
最新推荐文章于 2025-03-07 11:20:40 发布
阅读量5k 收藏 5
点赞数 1
分类专栏： 迁移学习 文章标签： 迁移学习 GAN domain adaptation 域适应
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/forever1993/article/details/78405280
版权
PixelDA是一种使用生成对抗网络进行无监督像素级域适应的方法，它解耦合了任务特定的架构，允许跨标签空间的泛化，提高了训练稳定性，并作为一种数据增强手段。通过在源图像和生成图像上训练任务特定损失以及像素相似性正则化，避免了模式崩溃，同时通过向G网络输入噪声和源图像生成多样化的样本，减少了对大量训练数据的需求。这种方法的可解释性更高，因为生成的是图像而非特征向量。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Unsupervised Pixel–Level Domain Adaptation

with Generative Adversarial Networks

Google Brain
London, UK
这篇文章，提供的思路就是可以将超分辨的过程看做一个task，将迁移和超分辨在一个框架里组织起来，框架是有用的。因为文章里边说到，这种domain adaptation 是假定在low level 的，而MRI 和自然图像显然是在高层次语义意义上有所区别的 

1.Introduction

    首先介绍简单的综合两个域的数据然后训练效果一般会很差。解决方法就是非监督的damain adaptation，方法大概有两种：建立一种map使得source damain 可以表示target damain ; 找到一种中间表示， domain-invariant representations，这个可以表示两个域。
    然后介绍了这篇文章提出的 PixelDA 也就是基于GAN结构的非监督的转换网络。优势有四个：
  • Decoupling from the Task-Specific Architecture: 解耦合了任务和DA,这样一个网络可以服务很多task
  • Generalization Across Label Spaces: 原来task 和DA 网络耦合的时候要求标签一一对应，这样迁移和完成task是一体的标签不
最低0.47元/天 解锁文章
汉字风格迁移篇---对抗性区分域适应（L1）Adversarial Discriminative Domain Adaptation
m0_61985580的博客
07-27 603
对抗域适应
GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation
m0_51496961的博客
04-11 3587
【论文笔记】用于无监督领域自适应的图卷积对抗网络GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation
[论文阅读]Joint Pixel and Feature-Level Domain Adaptation for Recognition in the Wild
sunxia233的博客
05-25 1025
前言 这是一篇域自适应的文章，并将域自适应应用到车辆重识别场景中。本文的创新点在于，对于同一任务结合了feature-level DA（Domain ataptation）和pixel-level DA，在 feature-level观察到DANN（Domain Adversarial Neural NetWork）这种利用gan思想做无监督的域自适应方式和利用gan做SSL（semi-supe...
Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks（小白学GAN 十二）
fan1102958151的博客
06-18 857
原文链接：https://arxiv.org/pdf/1612.05424.pdf 简介 基础结构 代码与实践结果
机器学习（李宏毅）——Domain Adaptation
最新发布
Dlog的博客
03-07 964
机器学习（李宏毅）——Domain Adaptation
[cvpr2017]Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks
MataFela的博客
08-14 2318
优势 与Task-Specific图像训练结构解耦合。作者说因为这个域适应是在像素级别上进行的（ because our model maps one image to another at the pixel level），所以我们可以改变这个Task-Specific图像训练结构 在标签域也可以同样做到域适应target domain和source domain的标签域可以不一样，target
Unsupervised pixel-level domain adaptation with generative adversarial networks (DA+ 图像转换)
便纵有千种风情
08-05 867
**Bousmalis, Konstantinos, et al. “Unsupervised pixel-level domain adaptation with generative adversarial networks.” CVPR2017. ** 问题背景： 将原域的图像转换到目标域。已知源域的图像类别标签，对于目标域的图像标签未知。 损失函数 1. 域对抗损失： 2. 分类损失...
Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks
weixin_36670529的博客
06-12 219
大型且注释良好的数据集，如ImageNet、COCO和Pascal VOC，被认为对推进计算机视觉研究至关重要。然而，创建这样的数据集的成本高得令人望而却步。一种替代方案是使用合成数据进行模型训练。使用游戏引擎或渲染器生成几乎无限量的标记数据一直是计算机视觉的长期目标。事实上，某些研究领域，如机器人任务的深度强化学习，实际上需要在合成领域训练模型，因为在现实世界环境中训练可能过于昂贵。因此，人们对在合成领域训练模型并将其应用于现实世界环境重新产生了兴趣。
MM2018/风格迁移-Style Separation and Synthesis via Generative Adversarial Networks通过生成性对抗网络进行风格分离和合成
ssshyeong的博客
04-15 599
在本文中，我们提出了风格分离和合成生成对抗网络（S3-GAN），以同时实现特定类别的对象照片的风格分离和风格合成。基于目标照片位于流形上，且内容和样式独立的假设，我们使用S3-GAN在流形和潜在向量空间之间建立映射，以分离和合成内容和样式。S3-GAN由编码器网络、生成器网络和对抗网络组成。
语义分割-FCNs in the wild: Pixel-level adversarial and constraint-based adaptation 对抗方法实现不同数据集语义分割
ssshyeong的博客
12-20 1275
第一个使用领域对抗思想完成语义分割的论文
【GAN ZOO阅读】Unsupervised Pixel–Level Domain Adaptation with GAN 使用GAN的无监督的像素级域适应
hyczkg的博客
11-12 3533
原文链接，引用请标明出处 部分译文参考自 https://blog.csdn.net/forever1993/article/details/78405280 摘要 收集注释良好的图像数据集来训练现代机器学习算法对于许多任务而言过于昂贵。 一个有吸引力的替代方案是渲染数据，并在其中自动生成ground truth。不幸的是，纯粹基于渲染图像训练的模型通常无法推广到真实图像。 为解决这个缺点，先前的...
《Preserving Semantic Consistency in Unsupervised Domain Adaptation Using Generative Adversarial Net》
uestc_huhu的博客
05-19 401
目的 大多数现有的基于GAN的无监督域自适应技术在域匹配时没有考虑语义信息，因此当源域数据和目标域数据语义不同时，这些方法会降低性能。本文提出了一种端到端的新型语义一致生成对抗网络(SCGAN)。该网络通过在特征层捕获语义信息，从源域和目标域生成无监督域自适应图像，实现源域对目标域的匹配。 本文提出了一种端到端的新型语义一致生成对抗网络(SCGAN)。该网络通过在特征层捕获语义信息，从源域和目标域生成无监督域自适应图像，实现源域对目标域的匹配。 方法 域自适应(DA)是一种特殊类型的迁移学习，其中源数据(训
Duplex Generative Adversarial Network for Unsupervised Domain Adaptation
weixin_30872157的博客
06-02 586
Duplex Generative Adversarial Network for Unsupervised Domain Adaptation 　　域自适应尝试将从源域获得的知识传送到目标域，即测试数据所在的域。主要的挑战在于源域和目标域之间的分布差异。大多数现有工作通常通过最小化分布距离来努力学习域不变表示，例如MMD和最近提出的生成对抗网络（GAN）中的鉴别器。 遵循GAN的类...
Domain Adaptation 与 Generative Adversarial Network
Tsingzao的博客
07-16 1156
域自适应 与 生成对抗网络 1、《Unsupervised domain adaptation by backpropagation》 pytorch 代码：https://github.com/fungtion/DANN 文章：http://sites.skoltech.ru/compvision/projects/grl/files/paper.pdf 网络结构： 细节：①网络简称DANN，文章发表于2015年ICML，与GAN（2014年NIPS）同时期，DANN参考文献中有GAN。DA
笔记：pixel-level domain transfer
easylifer的专栏
05-08 5306
本文结合对抗网络以及深度网络生成图像来不同域之间样本生成的问题，根据源域上的样本生成目标域上对应的样本。
领域适应domain adaptation 学习笔记
leah123123的博客
10-30 786
domain adaptation经典方法 在source domain有大量fully labeled数据，target domain 有不完全labeled数据，两个domain 之间有gap存在（跨domain测试效果很差），如何利用source上的数据训练适应于target domain的模型呢？ 回答：想办法让他们投影到相同的特征空间 ps：以下内容属于homogeneous domain adaptation，图对图，声对声 discrepancy-based method 用pre-defin
半监督学习
Vae_fans的博客
02-15 2167
最先进的深度学习模型通常使用大量昂贵的标记训练数据进行训练。然而，需要详尽的手动注释可能会降低模型在有限标签制度下的通用性。半监督学习和无监督学习为从大量未标记的视觉数据中学习提供了有前景的范例。这些范例的最新进展表明，利用未标记数据来改进模型泛化并提供更好的模型初始化具有强大的优势。在这项调查中，我们从统一的角度回顾了用于视觉识别的半监督学习（半监督学习）和无监督学习（无监督学习）的最新高级深度学习算法。为了全面了解这些领域的最新技术，我们提出了统一的分类法。
视频异常检测，论文阅读(一)
weixin_44859553的博客
09-11 854
一种整合了金字塔形变模型和信息压缩模型的多样性可测量异常检测框架
笔记：Deep transfer network: unsupervised domain adaptation
easylifer的专栏
05-08 7542
这篇文章里提出了一种用MMD来同时对两个域上的marginal distribution和conditional distribution进行约束的迁移网络。
unsupervised multi-source domain adaptation without access to source data
11-03
无监督的多源域自适应是指在没有访问源数据的情况下进行的域自适应方法。为了解释这一概念，首先需要了解两个关键术语的含义：域自适应和多源。 域自适应是指在机器学习和数据挖掘中，将模型从一个域（即数据的分布）迁移到另一个域的过程。域自适应的目标是使模型在目标域上具有更好的性能，而不需要重新训练或收集目标域的数据。 多源是指使用来自多个源领域的数据来进行域自适应。这种情况下，我们有多个源域的数据，但没有目标域的数据。这可能是因为目标域的数据很难收集、昂贵或没有权限访问。 在无监督的多源域自适应中，我们试图使用多个源域的数据来进行迁移学习，从而在没有目标域数据的情况下提高目标域上的性能。这个问题是非常具有挑战性的，因为我们没有标签的目标域数据来指导模型的训练。 一种常见的方法是使用领域间的分布差异来进行特征学习。例如，可以使用深度神经网络来学习源域和目标域之间的有用特征。通过最小化源域和目标域之间的距离，我们可以使网络学习到一组在多个域上通用的特征表示。 另一个方法是使用领域适应的损失函数。这种损失函数通过最大化源域和目标域之间的相似性，或最小化它们之间的差异，来迫使模型在目标域上有更好的性能。 总的来说，无监督的多源域自适应是一种在没有目标域数据的情况下使用多个源域数据进行迁移学习的方法。它可以通过学习通用特征或使用领域适应的损失函数来提高目标域上的性能。这种方法对于许多现实世界的情况是非常有用的，例如在医疗图像诊断和自然语言处理等领域中。
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