![](https://img-blog.csdnimg.cn/20201014180756923.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
域适应
文章平均质量分 89
起个名太难了
这个作者很懒,什么都没留下…
展开
-
无监督域适应的跨域梯度差异最小化
摘要带有两个不同分类器(双分类器)的对抗域适应引入UDA,在对齐不同域间分布时很有效。之前的双分类器对抗学习方法仅关注于两个不同分类器输出之间的相似度,但输出的相似性不能保证目标样本的准确率,即即使两个分类器间差异很小目标样本可能也会匹配到错误的类别。本文提出CGDM来直接最小化源域样本和目标样本生成的梯度之间的差异。特别地,梯度指示了目标样本的语义信息因此可以作为一个好的监督来提升目标样本的准确率。为了计算目标样本的梯度信号,进一步通过基于聚簇的自监督学习来得到目标伪标签。3 方法首先UDA和双分原创 2021-07-26 09:56:12 · 554 阅读 · 0 评论 -
Hard Class Rectification for Domain Adaption域适应中的硬类修正
摘要域适应从标签丰富和相关的域(源域)转移知识到标签稀少的域(目标域)。伪标签最近用于DA,但这一类研究仍限于伪标签不准确。本文,深入探究类内性能的不平衡性,发现类间差的性能很有可能在伪标签中进一步恶化。不仅损害整体性能而且限制了DA的应用。本文HCRPL:(1)提出自适应预测校正(APC),来校正目标样本的预测。(2)进一步考虑被校正的目标样本的预测,尤其对于那些被分到硬类的(对扰动很敏感)。为防止样本被很容易误分类,引入了暂时集(TE)和自集合(SE)来得到一致的预测。提出的方法在UDA和半监督域适原创 2021-07-04 21:34:54 · 358 阅读 · 0 评论 -
通过扔一个诱饵进行无源无监督域适应
摘要无监督域适应(UDA)旨在转移一个标签源域中学到的信息到一个无标记的目标域。现有的UDA方法要求适应中接触源数据,在实际应用中可能不可行。本文中,我们解决了无源无监督域适应问题(SFUDA),其中仅源模型在适应中是可用的。我们提出了一个方法叫BAIT来解决SFUDA。具体地,仅给源模型,源分类器头固定,引入了一个新的可学习分类器。当适应到目标域时,新添加分类器的类代表将作为一个bait。它们会首先接近由于域偏移而偏离源分类器原型的目标特征。然后,那些目标特征会被拉向对应的源分类器的原型,因此实现了与源原创 2021-03-18 16:14:03 · 638 阅读 · 6 评论