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

最新推荐文章于 2023-08-30 09:08:45 发布
最新推荐文章于 2023-08-30 09:08:45 发布
阅读量1.7k 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
本文深入探讨了条件对抗领域自适应（CDAN）方法，它利用分类器G、特征提取器F和领域判别器D之间的关系，以改善领域适应。CDAN与传统的DANN不同，它寻求多模态结构的判别性对齐，并避免在不确定的分类信息上依赖领域判别器。文章介绍了CDAN的目标函数及其超参数lambda的动态调整，同时讨论了矩阵乘法在模型中的应用。
摘要由CSDN通过智能技术生成

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
专栏目录
最优传输论文（四十）：Conditional Adversarial Domain Adaptation论文原理
lyy的博客
10-09 856
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。
汉字风格迁移篇---对抗性区分域适应（L1）Adversarial Discriminative Domain Adaptation
m0_61985580的博客
07-27 517
对抗域适应
迁移学习算法：算法中领域自适应（Domain Adaptation）
最新发布
牛肉胡辣汤
08-30 1155
算法中的领域自适应（Domain Adaptation）是迁移学习中的一种方法，用于解决源领域和目标领域之间存在分布差异的问题。然而，在现实生活中，很多情况下源领域和目标领域之间的分布差异是不可避免的。例如，训练一个人脸识别模型时，可能使用的是来自互联网的图片数据作为训练集，而在实际应用中，可能需要对摄像头拍摄的图片进行人脸识别，这两个数据集之间的分布差异就是一个典型的领域差异。领域自适应算法旨在通过充分利用源领域数据的知识，来减小源领域和目标领域之间的分布差异，从而提高在目标领域上的模型性能。
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 1282
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
07-19 476
清华 龙明盛
Conditional Adversarial Domain Adaptation
gdtop的个人笔记
04-16 7318
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
11-16 252
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 1674
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...
【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 2738
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。
NIPS 2018论文解读 | 基于条件对抗网络的领域自适应方法
Paper weekly
11-26 3384
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击本文底部...
【论文阅读】Heavy Rain Image Restoration-Integrating Physics Model and Conditional Adversarial Learning
Gillian_z
11-04 2266
发表于CVPR2019
Decoupled Learning for Conditional Adversarial Networks
u011961856的专栏
01-26 620
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
领域自适应论文总结系列（二）
qq_38402294的博客
12-23 2452
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 1484
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
百年孤独百年的博客
05-31 799
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。
【Mo 人工智能技术博客】对抗性域适应
Mo 的博客
08-25 3284
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 7235
©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...
语义分割-CyCADA: Cycle-Consistent Adversarial Domain Adaptation.循环一致对抗领域自适应
ssshyeong的博客
03-03 5980
提出了循环一致对抗域适应算法(CyCADA)，该算法在像素级和特征级对表示进行适应，同时通过像素循环一致性和语义损失实现局部和全局结构一致性。CyCADA整合了之前的特征级别和图像级别对抗域自适应方法和循环一致的图像到图像翻译技术.
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