2018 NIPS 条件对抗领域自适应 Conditional Adversarial Domain Adaptation

最新推荐文章于 2023-05-31 23:06:51 发布
最新推荐文章于 2023-05-31 23:06:51 发布
阅读量1.6k 收藏 6
点赞数 1
分类专栏： 读顶会
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/qq_38221026/article/details/103299985
版权

Conditional Adversarial Domain Adaptation（CADA）


因为gpu被沾满了，来解读一下CADA吧。

看题目，最先想到的是怎么实现“条件”的，如何刻画“条件”，啥意思呢？就是利用label prediction的信息。
在这里插入图片描述
在这里插入图片描述

分类器 G G G 、特征提取器 F F F、以及领域判别器 D D D。

在DANN（baidu一下参考文献，做TL的都懂）里面， F F <

最低0.47元/天 解锁文章
wangdapang_2
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
基于特征的对抗迁移学习论文_《迁移学习》领域对抗自适应存在什么问题？
weixin_39738755的博客
01-10 1263
领域自适应（domain adaptation）是迁移学习中的一种方法，旨在利用源域中标注好的数据，学习一个精确的模型，运用到无标注或只有少量标注的目标域中。本质上是一种数据增强的迁移方法。领域自适应最常见的方法是找一个公共特征空间，将源域和目标域数据都映射过去，在该空间进行分布对齐。最近很流行的方法是利用领域对抗训练，也就是设置一个判别网络，判断特征数据来自于源域还是目标域，特征提取器通过与判别...
[NIPS 2018] Conditional Adversarial Domain Adaptation
一亩高粱
07-19 465
清华 龙明盛
Conditional Adversarial Domain Adaptation
gdtop的个人笔记
04-16 7041
本篇为迁移学习系列第九篇论文，清华大学助理教授Mingsheng Long (龙明盛)发表在国际机器学习顶级会议Neural2018上提出的新的Domain Adaptation的条件对抗网络。 Abstract 对抗性学习已被嵌入到深层网络中，用于学习解纠缠和可转移的领域适应表示。在分类问题中，现有的对抗性域自适应方法可能无法有效地对齐多模态分布的不同域。在本文中，我们提出了一个条件对抗性域...
2017nips few-Shot Adversarial Domain Adaptation
王大胖的博客
11-16 243
2.UDA的两个缺陷 首先，数据量小 二，不能确保不同domain但是同类别的data的语义对齐 3.1 Handling Scarce Target Data 问题一： target 的data少，怎么办，扩充它 by pairing them with each training source sample. 问题二：需要用到target的label信息 对策： 创造pairs of samples domain-class discriminator DCD 判断是四种pair中的哪一个 ...
论文阅读：Heavy Rain Image Restoration: Integrating Physics Model and Conditional Adversarial Learning
wang_chaochen的博客
12-26 1613
2019 CVPR 本篇文章是2019CVPR的一篇文章，主要是提出了一个两个阶段的网络，基于物理的主干网络+深度指导的GAN细化网络。 对于大雨中的场景，雨纹明显可见，密集的雨堆积或遮雨效果明显，图像被雨纹洗刷去，远处的场景相对更加模糊等。 本文主要提出了一种方法来解决大雨问题。网络结构主要分为两个阶段：基于物理信息的主干网络和深度信息指导的GAN细化网络。 1、第一阶段：根据基本的物理原理来...
matlab精度检验代码-NIPS-2018-Adversarial-Vision-Challenge:与我们参与2018NIPS对抗愿景挑战
05-22
2018对抗视觉挑战赛“稳健模型之路” ， （2018年11月发布） 抽象的 该存储库包含代码，文档和部署配置文件，这些文件，文档和部署配置文件与我们参与2018 NIPS对抗愿景挑战“稳健模型轨道”有关。 我们实现了一种...
NeurIPS 2020上与【域自适应】相关论文（六篇）
12-02
域自适应（Domain Adaptation）是机器学习领域中的一个重要研究方向，主要关注如何在源数据集（有标签）和目标数据集（可能无标签或标签不足）之间建立桥梁，使得模型能在目标数据集上表现得更好。在NeurIPS 2020...
NIPS 2016 Tutorial: Generative Adversarial Networks , by Ian Goodfellow
09-24
NIPS 2016 Tutorial: Generative Adversarial Networks（生成对抗网络） , by Ian Goodfellow
Targeted-Adversarial-Attack:一种有针对性的对抗攻击方法，赢得了NIPS 2017有针对性的攻击攻击竞赛
05-16
有针对性的专业攻击 介绍 该存储库包含提交给的前1名提交者的代码。... title={Boosting Adversarial Attacks with Momentum}, author={Dong, Yinpeng and Liao, Fangzhou and Pang, Tianyu and Su,
domain-adaptation
05-01
一项调查 视觉应用程序的域适应：全面调查 理论域适应表示的分析[NIPS2006] 从不同领域学习的理论[ML2010] 域适应的学习界限[NIPS2007] 对抗DA M-ADDA：采用深度度量学习的无监督域自适应[arXiv 2018年7月6日]...
【论文阅读】Heavy Rain Image Restoration-Integrating Physics Model and Conditional Adversarial Learning
Gillian_z
11-04 2217
发表于CVPR2019
Decoupled Learning for Conditional Adversarial Networks
u011961856的专栏
01-26 613
文章提出里在已有的ED+GAN的基础上,添见一个生成网络,即ED//GAN,网络结构如下, 上图中左边为传统的GAN网络,Enc+Dec相当于生成网络,D为判别网络,构造GAN损失函数,以及生成图片与输入的重构误差(L1损失函数,这种网络结构我们熟悉的有pix2pix,cyclegan. 上图中右边为本文提出的网络结构,即在ED+GAN的基础上,添加一个生成网络,相当于有两个生成网络.两个
【基础论文笔记一】(2018 NIPS)Conditional Adversarial Domain Adaptation CDAN条件对抗域适应
m0_60231311的博客
03-20 2499
对抗性学习已被嵌入到深层网络中，用于学习解纠缠和可转移的领域适应表示。在分类问题中，现有的对抗性域自适应方法可能无法有效地对齐多模态分布的不同域。作者指出当前一些对抗域适应方法仍存在三个问题：1.只考虑了特征对齐，没有考虑标签对齐。2.当数据分布体现出复杂的多模态结构时，对抗性自适应方法可能无法捕获这种多模态结构，也就是说即使判别器完全被混淆，也无法保证此时源域和目标域足够相似。并且这种风险不能通过单独的域鉴别器将特征和类的分布对齐来解决。
领域自适应论文总结系列（二）
qq_38402294的博客
12-23 2385
引言 上一节主要介绍了通过分布匹配来解决领域自适应问题的方法，主要是在神经网络中添加距离约束，利用MMD等距离度量使得源域和目标域的数据经过网络后得到的特征分布比较相似，从而可以使得在源域上学到的模型能更好的迁移到目标域。领域自适应问题的关键就在于如何使得源域和目标域的数据更好的进行分布匹配，这一点除了可以通过MMD等距离约束实现，也可以使用对抗训练的思想，这也是本文将要介绍的重点内容。 一、DANN (RevGrad) 较早的使用对抗训练思想解决领域自适应问题的研究是Yaroslav Ganin等人
领域自适应的语义集中：Semantic Concentration for Domain Adaptation
qq_43215318的博客
01-17 1374
领域自适应的语义集中：Semantic Concentration for Domain Adaptation1.摘要2.思想3.创新与贡献4.SCDA模型4.1 SCDA对抗过程功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 A
SFDA无源领域自适应简单介绍并给出简单的示例代码
最新发布
百年孤独百年的博客
05-31 684
本教程将介绍机器学习中的 Source-free Domain Adaptation（SFDA）的概念、原理和实践方法。我们将从基本概念开始，然后通过一个简单的实例来演示如何实现 SFDA。
最优传输论文（四十）：Conditional Adversarial Domain Adaptation论文原理
lyy的博客
10-09 796
文章目录前言摘要1 Introduction2 Related Work3 Conditional Adversarial Domain Adaptation 前言 文章来自2018年的NIPS 本文是本人领域自适应与最优传输系列论文的第40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 对抗性学习被嵌入到深度网络中，以学习解纠缠和可转移的表示，实现领域自适应。
【Mo 人工智能技术博客】对抗性域适应
Mo 的博客
08-25 3198
域适应简介 域适应是迁移学习中最常见的问题之一，域不同但任务相同，且源域数据有标签，目标域数据没有标签或者很少数据有标签。 域适应通过将源域和目标域的特征投影到相似的特征空间，这样就可以拿源域的分类器对目标域进行分类了 下面拿二分类做说明，如下图： ![域.PNG](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9jZG4ubmxhcmsuY29tL3l1cXVlLzAvMjAyMC9wbmcvMTcyNDMyNi8xNTk3NzY4MTc2Mzg4LTM3MzE4MjZi
域对抗自适应算法的设计、不足与改进（Domain Adversarial Learning）
Paper weekly
02-23 6889
©作者 |江俊广单位 |清华大学研究方向 |迁移学习本文主要介绍域自适应（Domain Adaptation）中的对抗域自适应方法（Domain Adversarial Learni...
nips17-adversarial-attack代码运行环境
04-04
nips17-adversarial-attack代码的运行环境需要具备以下条件： 1. Python 3.5或更高版本； 2. PyTorch 0.4或更高版本； 3. NumPy和SciPy库； 4. CUDA（如果使用GPU进行计算）。 建议在Linux或macOS操作系统下运行...

“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 1
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