Contrastive Adaptation Network for Unsupervised Domain Adaptation

最新推荐文章于 2023-04-17 20:18:22 发布
VIP文章 最新推荐文章于 2023-04-17 20:18:22 发布
阅读量1.3k 收藏 4
点赞数 1
分类专栏： 深度学习 域自适应-迁移学习论文阅读笔记 文章标签： 神经网络 深度学习
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/m0_47180208/article/details/118497589
版权

无监督领域自适应的对比自适应网络

摘要

文章和源代码
无监督域自适应(UDA)对目标域数据进行预测，而手动注释仅在源域可用。以往的方法忽略了类信息，最小化了领域差异，这可能导致未对齐和泛化性能差。为了解决这一问题，本文提出了对比自适应网络优化一种新的度量，该度量明确地模拟了类内域差异和类间域差异。我们设计了一个交替更新策略，以端到端的方式训练CAN。在两个真实世界基准Office-31和VisDA-2017上的实验表明，CAN相对于最先进的方法表现良好，并产生更多的区分特征。

引言

最低0.47元/天 解锁文章
没有头发的小白
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
最优传输论文（六十三）：Contrastive Adaptation Network for Unsupervised Domain Adaptation论文原理
lyy的博客
01-17 2261
文章目录前言摘要1. Introduction2. Related Work3. Methodology3. 1. 最大平均差异回顾3. 2. 对比域差异 前言 文章来自2019年的CVPR 本文是本人领域自适应与最优传输系列论文的第63篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望各位大佬们不吝点赞，给个Star哦~ 摘要 无监督域自适应（UDA）对目标域数据进行预测，而手动注释仅在源域中可用。以前的
Deep Transfer Network: Unsupervised Domain Adaptation
02-09
Deep Transfer Network: Unsupervised Domain Adaptation
PCS-FUDA
04-01
典型的跨域自我监督学习，适用于少拍无监督领域适应（PCS） PCS（典型的跨域自监管网络）的Pytorch实现[ ] 概述 网络架构 与最新方法相比，PCS将FUDA上不同域对的平均分类准确度分别提高了Office，Office-Home，VisDA-2017和DomainNet上的10.5％ ， 4.3％ ， 9.0％和13.2％ ，分别。 q 要求 pytorch == 1.5.1 torchvision == 0.6.1 CUDA版本10.2 pip install -r requirements.txt pip install -e . 训练 在data文件夹下下载或软链接数据集（ data/splits中提供了分割文件，支持的数据集为Office，Office-Home，VisDA-2017和DomainNet） 要训​​练模型，请运行以下命令： CUDA_VISIBL
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
09-03
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
contrastive-domain-randomization:对比域随机化
03-16
对比域随机化
CVPR 2019之迁移学习：Contrastive Adaptation Network for Unsupervised Domain Adaptation
makabaka的博客
10-18 5176
Contrastive Adaptation Network for Unsupervised Domain Adaptation 简述： 无监督域自适应(UDA)对目标域数据进行预处理，而手工注释只在源域可用。以往的方法在忽略类信息的情况下，会使域间的差异最小化，从而导致不一致和泛化性能低下。目前，虽然有ImageNet这种庞大的拥有精确标记的数据集，但是对于每个特定的目标域或任务，手工标签往往...
DA-3-Contrastive Adaptation Network for Unsupervised Domain Adaptation
singxsy的博客
10-25 627
Contrastive Adaptation Network for Unsupervised Domain Adaptation方法最大均值差异（MMD, Maximun Mean Discreoancy）对比域差异（Contrastive Domain Discrepancy）对比自适应网络（Contrastive Adaptation Network）CAN优化Alternative optimization (AO)Class-aware Sampling（CAS） 原文链接（2019 CVPR）
（CAN）Contrastive Adaptation Network for Unsupervised Domain Adaptation笔记
BEA_D的博客
04-19 625
（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，
迁移学习之最大分类器差异的无监督域适应
喜欢打酱油的老鸟
04-08 2573
https://www.toutiao.com/a6675993553413341700/ 介绍一篇CVPR2018的论文 Maximum Classifier Discrepancy for Unsupervised Domain Adaptation 文章的背景是迁移学习，下面我们先介绍一下迁移学习，然后介绍域适应 一、迁移学习 目前，图片分类、语义分割等任务的正确率已经非常高...
深度学习时代的多源域适应 : 系统的 Survey
u014546828的博客
12-22 4687
Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey [paper] Abstract In many practical applications, it is often difficult and expensive to obtain enough large-scale labeled data to train deep neural networks to their full.
Contrastive Data and Learning for Natural Language Processing.pd
07-10
目前的自然语言处理模型严重依赖有效的表示学习算法。对比学习就是这样一种学习嵌入空间的技术，它使相似的数据样本对具有相近的表示，而不同的样本彼此相距遥远。它可以用于监督或非监督设置，使用不同的损失函数来...
Contrastive Self-supervised Learning for Graph Classification
12-20
Contrastive Self-supervised Learning for Graph Classification
[论文阅读笔记]Contrastive Boundary Learning for Point Cloud Segment
10-08
[论文阅读笔记]（CVPR 2022）Contrastive Boundary Learning for Point Cloud Segmentation
论文笔记：Category Contrast for Unsupervised Domain Adaptation in Visual Tasks【无监督域自适应】
qq_42200733的博客
04-17 300
CVPR2022上的一篇文章，文章探索了无监督领域适应(UDA)中的实例对比学习思想，并提出了一种新的类别对比技术(CaCo)
CVPR2020论文列表（中英对照）
dovings的博客
07-04 8817
CVPR论文列表，中英对照
论文笔记：Contrastive Adaptation Network for Unsupervised Domain Adaptation
WinerChopin的博客
03-14 2601
1. 任务设置 Unsupervised Domain Adaptation for ImageClassification\rm Unsupervised~Domain~Adaptation~for~Image ClassificationUnsupervised Domain Adaptation for Imag...
近期必读的9篇CVPR 2019【域自适应（Domain Adaptation）】相关论文和代码
05-22 9876
【导读】最近小编推出CVPR2019图卷积网络、CVPR2019生成对抗网络、【可解释性】，CVPR视觉目标跟踪，CVPR视觉问答，医学图像分割，图神经网络的推荐相关论文，反响热烈。最近，Domain Adaptation（域自适应）相关研究非常火热，一部分也是由于GAN、GNN以及其他一些的网络结构的启发，基于Domain Adaptation的工作在今年CVPR 2019上出现了大量的论文。今...
Re-weighted adversarial adaptation network for unsupervised domain adaptation
lihuahuanluoluo的博客
03-07 1436
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...
2021-06-23 各种经典卷积神经网络总结
m0_47180208的博客
06-24 2146
各种经典卷积神经网络总结1、原始卷积 (Vanilla Convolution)2、分组卷积 (Group convolution)2.1 组卷积案例12.1 组卷积案例2——Resnext3、转置卷积 (Transposed Convolution)4、1×1卷积 (1×1 Convolution)5、空洞卷积 (Atrous convolution)6、深度可分离卷积 (Depthwise Separable Convolution)7、可变形卷积 (Deformable convolution)8、空
cvpr 2019之迁移学习:contrastive adaptation network for unsupervised domain a
最新发布
01-28
CVPR 2019中发表了一篇题为“迁移学习:无监督领域自适应的对比适应网络（Contrastive Adaptation Network for Unsupervised Domain Adaptation）”的论文。这篇论文主要介绍了一种用于无监督领域自适应的对比适应...

“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