![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
域自适应-迁移学习论文阅读笔记
文章平均质量分 83
记录自己每天看的有关计算机方向的论文
没有头发的小白
这个作者很懒,什么都没留下…
展开
-
旋转机械智能故障诊断的基于叠加式自动编码器的局部对抗域自适应模型
A Stacked Auto-Encoder Based Partial Adversarial Domain Adaptation Model for Intelligent Fault Diagnosis of Rotating Machines摘要网络模型三级目录摘要故障诊断在旋转机械的预测与健康管理中具有不可或缺的作用。近年来,基于领域自适应技术的智能故障诊断方法引起了研究人员的关注。然而,一个更广泛的故障诊断应用场景——部分域自适应(pda)还没有得到很好的解决。本文首次提出了一种新的基于堆叠原创 2021-10-09 08:56:13 · 564 阅读 · 0 评论 -
Contrastive Adaptation Network for Unsupervised Domain Adaptation
无监督领域自适应的对比自适应网络摘要引言本文贡献相关工作本文提出的方法最大平均差异叙述对比领域差异对比自适应网络算法流程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,原创 2021-07-05 20:45:47 · 1416 阅读 · 0 评论 -
Cross-Domain Gradient Discrepancy Minimization for Unsupervised Domain Adaptation——CVPR2021
无监督域适应的跨域梯度差异最小化摘要引言相关工作本文提出的方法UDA与双分类器对抗性学习最小化跨域梯度差异目标样本的自监督学习整体目标和优化程序实验结果摘要以前的对抗性学习方法仅重点关注两个不同分类器的输出之间的相似性。然而,输出的相似性不能保证目标样本的分类的准确性,即使两个分类器之间的差异很小,目标样本也可能与错误类别匹配。在本文中,我们提出了一种跨域梯度差异最小化(CGDM)方法,该方法明确地最小化了源样本和目标样本产生的梯度的差异。为了计算目标样本的梯度信息,我们通过基于聚类的自我监督学习进一步原创 2021-07-05 11:28:41 · 1176 阅读 · 0 评论 -
2021-06-22通用领域适应CVPR2020阅读笔记
通用领域适应前言一、本文主要贡献二、使用步骤1.引入库2.读入数据总结前言域适应旨在在域间隙的存在下传输知识。现有的域适应方法依赖于丰富的先验知识了关于标签集之间的源域和目标域之间的关系,这大大限制了它们在野外的应用。本文介绍了不需要在标签集上之前知识的通用域适应(UDA)。 f或给定的源标签集和目标标签集,它们可能包含一个公共标签集并分别保存私有标签集,从而提高额外的类别差距。 UDA需要模型到(1)如果与公共标签集中的标签相关联,则正确分类目标样本,或(2)否则将其标记为“未知”。更重要的是,U原创 2021-06-23 09:36:51 · 396 阅读 · 0 评论 -
2021-06-07 阅读论文《面向通用领域自适应的领域共识聚类》——CVPR2021
面向通用领域自适应的领域共识聚类通用域适应(UNIDA)问题,旨在将知识从源代码转移到未计算的标签空间下的目标。 UNIDA的主要挑战是如何将常见的类(即跨域共享的类)分开私有类(即类仅存在一个域中)。以前的文章将目标中的私有样本视为一个通用类,但忽略其内在结构。所得到的表示在潜在空间中不够紧凑,并且可以容易地与常见样本混淆。为更好地利用目标域的内在结构提出了领域共识聚类(DCC),利用领域共识知识在公共样本和私有样本上发现有区别的聚类。具体来说,我们从两个方面提取领域共识知识,以促进聚类和私有类发现原创 2021-06-17 11:52:29 · 1422 阅读 · 0 评论