Re-weighted adversarial adaptation network for unsupervised domain adaptation

最新推荐文章于 2024-06-07 09:50:13 发布
最新推荐文章于 2024-06-07 09:50:13 发布
阅读量1.4k 收藏 2
点赞数
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/lihuahuanluoluo/article/details/88314956
版权

摘要主要强调以下几点：

1. 当domain discrepancy比较大的时候，文章中方法的性能比其余方法要好的多（实验部分的确如此）

2. re-weighted：在训练discriminator D的时候，每一个source sample并不是同等重要，weight取决于label

3. 在匹配source sample和target sample的特征分布的时候，用的是基于EM 距离的OT方法

4. 将2和3嵌入到同一个框架中，实现end-to-end training

方法：RAAN模型

主要包含三个网络：Ts, Tt, 和D， 先训练Ts和CLS， 再训练Tt和D来匹配Ts

（1）基于OT的adversarial learning

先给出两个特征的概率密度函数：

再转换成用联合分布解决匹配问题

最低0.47元/天 解锁文章
柚柚叫亦然
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
最优传输论文（二十九）：Re-weighted Adversarial Adaptation Network for Unsupervised Domain Adaptation论文原理
lyy的博客
09-03 319
文章目录前言摘要1. Introduction2. Related Work2.1. Matching Feature Distribution using Adversarial Training（使用对抗性训练匹配特征分布）2.2. Matching Feature Distribution using OT 前言 文章来自2018年的CVPR 本文是本人领域自适应与最优传输系列论文的第29篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptati
Importance-weighted conditional adversarial network for unsupervised domain adaptation笔记
BEA_D的博客
03-21 618
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 ...
推荐项目：对比适应网络（Contrastive Adaptation Network）
最新发布
gitblog_00042的博客
06-07 379
推荐项目：对比适应网络（Contrastive Adaptation Network） 项目地址:https://gitcode.com/kgl-prml/Contrastive-Adaptation-Network-for-Unsupervised-Domain-Adaptation 在这个数据驱动的时代，无监督领域适应（Unsupervised Domain Adaptation）已经成为解决...
Re-Weighted Discriminatively Embedded K-Means for Multi-View Clustering
Robert_Gordon的博客
08-01 473
RDEKM这篇论文的创新点： 提出一个多视图最小绝对残差模型。 原来的多视K均值聚类的方法是采用非负矩阵分解，如公式所示： 其聚类性能数据异常值的很大影响。 基于此本论文提出一个多视最小绝对残差的模型，其中WkW_kWk​表示的是一个投影矩阵，对高维数据进行降维，避免维度诅咒。 在模型中残差∥.∥F\left \| . \right \|_F∥.∥F​没有进行平方，所以可以减少离群值的影响，并具有很好的鲁棒性。 目标函数为： 其中 ...
Duplex Generative Adversarial Network for Unsupervised Domain Adaptation
weixin_30872157的博客
06-02 545
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...
论文笔记：Contrastive Adaptation Network for Unsupervised Domain Adaptation
WinerChopin的博客
03-14 2662
1. 任务设置 Unsupervised Domain Adaptation for ImageClassification\rm Unsupervised~Domain~Adaptation~for~Image ClassificationUnsupervised Domain Adaptation for Imag...
Burrus C S. Iterative re-weighted least squares.pdf
12-17
迭代（重）加权最小二乘 论文 Describes a powerful optimization algorithm which iteratively solves a weighted least squares approximation problem in order to solve an L_p approximation problem
A robust deep convolutional neural network with batch-weighted loss for heartb
10-10
标题中的"A robust deep convolutional neural network with batch-weighted loss for heartbeat classification"指的是一种用于心跳分类的鲁棒深度卷积神经网络，它采用了一种批处理加权损失函数以应对心电图（ECG...
Auto-Weighted Multi-view Learning.zip_Image Clustering；_Multi-vi
07-14
在压缩包中的"MLAN_TIP-18"文件可能是一个关于Multi-Level Attention Network（多层注意力网络）的研究论文，它可能进一步扩展了Auto-Weighted Multi-view Learning的概念，引入了注意力机制来动态调整不同视图的...
A cluster-weighted kernel k-means method for multi-view clustering
02-08
A cluster-weighted kernel k-means method for multi-view clustering
Large-Scale E-Commerce Image Retrieval with Top-Weighted Convolutional Neural Networks
02-11
Large-Scale E-Commerce Image Retrieval with Top-Weighted Convolutional Neural Networks
Optimal Transport for Domain Adaptation
12-20
Domain adaptation is one of the most challenging tasks of modern data analytics. If the adaptation is done correctly, models built on a specific data representation become more robust when confronted to data depicting the same classes, but described by another observation system. Among the many strategies proposed, finding domain-invariant representations has shown excellent properties, in particular since it allows to train a unique classifier effective in all domains. In this paper, we propose a regularized unsupervised optimal transportation model to perform the alignment of the representations in the source and target domains. We learn a transportation plan matching both PDFs, which constrains labeled samples of the same class in the source domain to remain close during transport. This way, we exploit at the same time the labeled samples in the source and the distributions observed in both domains. Experiments on toy and challenging real visual adaptation examples show the interest of the method, that consistently outperforms state of the art approaches. In addition, numerical experiments show that our approach leads to better performances on domain invariant deep learning features and can be easily adapted to the semi-supervised case where few labeled samples are available in the target domain.
GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation
m0_51496961的博客
04-11 3439
【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
GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation CVPR 2019论文笔记
qq_40491207的博客
03-26 2212
文章目录摘要1. 简介 摘要 为了在源域和目标域之间构建交互桥梁实现域自适应（domain adaptation），现阶段有三种重要的信息类型:数据结构、域标签和类标签。现有的领域适应方法大多只利用了上述信息的一种或两种类型，不能使它们相互补充和增强。与现有的方法不同，我们提出了一种端到端的图卷积对抗网络(GCAN)，通过在统一的深度模型中对数据结构、域标签和类标签进行联合建模，实现无监督域自适应...
Progressive Adversarial Networks for Fine-Grained Domain Adaptation
weixin_42224235的博客
08-27 873
文章来自CVPR 2020
最优传输论文（三十七）：GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation论文原理
lyy的博客
09-26 435
文章目录前言摘要1. Introduction2. Related Work3. Our Approach3.1. Notations and Definitions3.2. Graph Convolutional Adversarial Network3.2.1 域对齐3.2.2 Structure-aware Alignment3.2.3 Class Centroid Alignment3.3. Discussion4. Experiments4.1. Datasets总结 前言 文章来自2019年
【论文笔记 CVPR-2019】《Domain-Symmetric Networks for Adversarial Domain Adaptation》
puchapu的博客
05-19 3393
摘要： 无监督域自适应旨在通过源域上有标记训练数据，学习到可以适用于目标域上无标记样例的分类器。最近，通过深度域对抗方法来学习域不变特性取得了令人印象深刻的进展。尽管近年来的研究取得了一定的进展，但域自适应在较细类别水平上实现特征分布的不变性方面仍然存在一定的局限性。为此，本文提出了一种新的域自适应方法域对称网络(SymNets)。提出的SymNet是基于源和目标任务分类器的对称设计，在此基础上，...
(CVPR 2019)Domain-Symmetric Networks for Adversarial Domain Adaptation笔记
VioletSaber的博客
09-20 574
Domain-Symmetric Networks for Adversarial Domain Adaptation 文章链接 网络结构 源域和目标域数据同个特征提取器G提取出特征向量，之后通过分类器（全连接层）得到vvv，这里的vvv是指经过全连接层但还没有经过softmaxsoftmaxsoftmax处理的结果。 使用两个分类器分别得到vs(x)v^s(x)vs(x)和vt(x)v^t(x)vt(x)，二者拼接得到vst(x)v^{st}(x)vst(x)。vs(x)，vt(x)和vst(x)v^s
Domain-Symmetric Networks for Adversarial Domain Adaptation论文翻译
qq_41206605的博客
03-10 855
Domain-Symmetric Networks for Adversarial Domain Adaptation Abstract（摘要） 无监督域自适应旨在为目标域上的未标记样本提供分类器模型，并提供源域上标记样本的训练数据。最近，通过深度网络的领域对抗训练学习不变特征，取得了令人印象深刻的进步。尽管最近取得了进展，但是领域自适应在实现更好的类别级别的特征分布不变性方面仍然受到限制。为...
volume-weighted average price 源码
08-25
volume-weighted average price（VWAP）是一种交易指标，用于衡量股票的平均价格。它以成交量为权重，计算出一段时间内的平均价格，以反映市场活动的真实情况。 以下是一个示例的volume-weighted average price的...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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