![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
无监督域适应问题
文章平均质量分 96
GutsShinyHero
这个作者很懒,什么都没留下…
展开
-
[面向I2I域适应的自监督CycleGAN,论文个人阅读分享]Self-Supervised CycleGAN for Object-Preserving Image-to-Image Domain
问题:基于生成对抗网络(GAN)的方法(例如 CycleGAN)很容易无法在图像到图像的转换中保留图像对象,这降低了它们在域适应等任务上的实用性。已经提出一些框架采用分割网络作为辅助正则化以防止内容失真。然而,它们都需要额外的像素级注释,这在实际应用中很难实现。在本文中,我们提出了一种新颖的 GAN(即 OP-GAN)来解决该问题,其中涉及一个自监督模块,用于在图像到图像转换过程中强制图像内容的一致性,而无需任何额外的注释。我们在三个公开可用的数据集上评估了所提出的 OP-GAN。原创 2024-05-30 16:03:55 · 663 阅读 · 1 评论 -
[对基于Transformer的域适应的改进Safe Self-Refinement,论文个人阅读]Safe Self-Refinement for Transformer-based Domain
首先,受到视觉 Transformer 在各种视觉任务中取得成功的鼓舞,为 SSRT 配备了 Transformer 主干。Vision Transformer与简单对抗性适应的结合超过了在具有挑战性的 DomainNet 基准上最好报道的基于卷积神经网络 (CNN) 的结果,显示出其强大的可转移特征表示为了降低模型崩溃的风险并提高差距较大的领域之间知识转移的有效性,提出了安全自我改进策略。具体来说,SSRT 利用扰动目标域数据的预测来完善模型。原创 2024-05-30 15:50:50 · 1018 阅读 · 0 评论 -
[域适应的Cycle Self-Training,论文个人阅读分享]Cycle Self-Training for Domain Adaptation
无监督域适应(UDA)的主流方法学习域不变表示来缩小域转移,这在经验上是有效的,但在理论上受到困难或不可能性定理的挑战。在 UDA 中的自我训练通过使用目标伪标签进行训练来利用未标记的目标数据,但是,在分布变化下,伪标签与目标地面事实的巨大差异可能是不可靠的。在本文中,提出了循环自训练(CST),这是一种有原则的自训练算法,可明确强制伪标签跨域泛化。CST 在正向步骤和反向步骤之间循环,直到收敛。在前向步骤中,CST 使用源训练分类器生成目标伪标签。原创 2024-05-30 15:38:17 · 572 阅读 · 0 评论