【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks

最新推荐文章于 2023-06-09 18:05:44 发布
最新推荐文章于 2023-06-09 18:05:44 发布
阅读量3.1k 收藏 23
点赞数 2
文章标签： 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/qq_40867596/article/details/107317460
版权
本文探讨了如何使用对抗性领域适应网络（如DANN和ADDA）改善跨个体的警觉度估计，通过减少对新个体标记数据的依赖。在SEED-VIG数据集上，与传统方法和基线相比，这两个方法的皮尔逊相关系数提高了10%以上，展示了对抗网络在脑电图和眼电图信号处理中的优势。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

【论文翻译】DANN的改进ADDA： Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks

会议论文：2018 International Joint Conference on Neural Networks (IJCNN)
论文作者：上海交通大学bllu
论文链接：http://bcmi.sjtu.edu.cn/~zhengweilong/pdf/ijcnn2018_li.pdf
作者讲解：https://www.bilibili.com/video/BV1XK411p7Pd?p=4 （直接空降到63:30）

1.研究背景和目的

驾驶过程中的警惕性估计对于预防交通事故至关重要。已经提出了许多用于警戒性估计的方法。但是，大多数方法都需要收集特定于受试者的标记数据以进行校准，这对于实际应用而言是高成本的。

为了解决此问题，可以使用域自适应方法来对齐源主题特征（源域）和新主题特征（目标域）的分布。通过重用其他主题的现有数据，不需要新的主题标签数据即可训练模型。

在本文中，我们的目标是将对抗性领域适应网络应用于跨学科警戒估计。我们采用两种最近提出的对抗域自适应网络，并将它们的性能与几种传统域自适应方法和没有域自适应的基线进行比较。

使用公开可用的数据集SEED-VIG评估方法。该数据集包括脑电图（EEG）和眼电图（EOG）信号，以及在模拟驾驶过程中的相应警戒级别注释。与基线相比，两个对抗域适应网络的皮尔逊相关系数均提高了10

最低0.47元/天 解锁文章
赤手空拳
关注
如何使用 DANN 改进神经网络
gongdiwudu的专栏
06-03 4130
由于其多功能性，神经网络是大多数现代机器学习管道的主要内容。他们处理非结构化数据的能力是一种祝福，因为它让我们能够部分地——部分地——在这里发挥重要作用——用计算规模（更便宜、更容易获得）取代领域洞察力（昂贵且难以获得）。
【迁移学习】深度域自适应网络DANN模型
Ono_bing的博客
03-22 1万+
DANN Domain-Adversarial Training of Neural Networks in Tensorflow 域适配：目标域与源域的数据分布不同但任务相同下的迁移学习。 模型建立 DANN假设有两种数据分布：源域数据分布KaTeX parse error: Undefined control sequence: \cal at position 1: \̲c̲a̲l̲...
DANN-经典论文概念及源码梳理
weixin_49895102的博客
05-04 9948
没错，我就是那个为了勋章不择手段的屑（手动狗头）。快乐的假期结束了哭哭... DANN 对抗迁移学习 域适应Domain Adaption-迁移学习；把具有不同分布的源域（Source Domain）和目标域（Target Domain）中的数据，映射到同一个特征空间。 GAN：生成对抗网络，包含生成器和判别器，有点类似博弈论的做法。 GAN+迁移学习：生成器不再是生成样本，而是进行特征提取工作。目标：从源域和目标域中提取特征，使得判别器无法区别提取的特征是来自哪个域。 好的可迁移特征：1-D
小样本学习记录————在提取特征中对抗的小样本Meta-Learning Adversarial Domain Adaptation Network for Few-Shot（MLADA）
yunlong_G的博客
12-21 1943
Meta-Learning Adversarial Domain Adaptation Network for Few-Shot，元学习对抗性领域自适应网络(MLADA)的论文阅读笔记，将GAN思想与小样本结合的文本分类。
(CVPR 2019)Domain-Symmetric Networks for Adversarial Domain Adaptation笔记
VioletSaber的博客
09-20 649
Domain-Symmetric Networks for Adversarial Domain Adaptation 文章链接 网络结构 源域和目标域数据同个特征提取器G提取出特征向量，之后通过分类器（全连接层）得到vvv，这里的vvv是指经过全连接层但还没有经过softmaxsoftmaxsoftmax处理的结果。 使用两个分类器分别得到vs(x)v^s(x)vs(x)和vt(x)v^t(x)vt(x)，二者拼接得到vst(x)v^{st}(x)vst(x)。vs(x)，vt(x)和vst(x)v^s
【论文笔记】PnP-AdaNet: Plug-and-Play Adversarial Domain Adaptation Network…
1
06-27 1134
PnP-AdaNet: Plug-and-Play Adversarial Domain Adaptation Network with a Benchmark at Cross-modality Cardiac Segmentation PnP-AdaNet：即插即用的对抗域适应网络，用于跨模态心脏分割的基准 Domain adaptation, adversarial network, crossmodality images, cardiac segmentation, ben...
Domain Adaptation 与 Generative Adversarial Network
Tsingzao的博客
07-16 1153
域自适应 与 生成对抗网络 1、《Unsupervised domain adaptation by backpropagation》 pytorch 代码：https://github.com/fungtion/DANN 文章：http://sites.skoltech.ru/compvision/projects/grl/files/paper.pdf 网络结构： 细节：①网络简称DANN，文章发表于2015年ICML，与GAN（2014年NIPS）同时期，DANN参考文献中有GAN。DA
DANN：Domain-Adversarial Training of Neural Networks
nekoli的博客
04-02 2万+
DANN原理理解 DANN中源域和目标域经过相同的映射来实现对齐。 DANN的目标函数分为两部分： 1. 源域分类损失项 2. 源域和目标域域分类损失项 1.源域分类损失项 对于一个m维的数据点X，通过一个隐含层Gf，数据点变为D维： 然后经过一个分类层Gy得到分类结果： 这个点的源域分类损失定义为： ...
基础论文 (一) ADDA
qq_42595295的博客
01-14 3773
基于某种确定的度量，将其中某个域的特征映射到另一个域的特征空间中（“非对称”映射），或将源域和目标域的特征一起映射到一个新的共享空间（“对称”映射）。
DANN：Unsupervised Domain Adaptation by Backpropagation
gdtop的个人笔记
04-17 1万+
本篇是迁移学习专栏介绍的第十三篇论文，发表在ICML15上。论文提出了用对抗的思想进行domain adaptation，该方法名叫DANN(或RevGrad)。核心的问题是同时学习分类器、特征提取器、以及领域判别器。通过最小化分类器误差，最大化判别器误差，使得学习到的特征表达具有跨领域不变性。 Abstract 高性能的深层体系结构是针对大量标记数据进行训练的。在缺少特定任务的标...
基于域对抗图卷积网络的多变环境下故障诊断
weixin_42358688的博客
11-28 4926
一、预备知识： 无监督域自适应方法（Unsupervised Domain Adaptation）：用于学习域不变和区分性特征。代表方法包括域对抗网络DANN和MMD（最大平均差异度量）方法。 MMD是重构希尔伯特空间的非参数度量函数，它经常用于评估两个分布期望的相似性。MMD方法作为深度网络的一部分用于学习可迁移特征。 DANN来自于生成对抗网络，其利用域判别器和特征提取器之间的两层minmax博弈层可以提取迁移特征。特征提取器旨在提取域不变特征去“欺骗”域判别器，而域判别器又被训练用于区分特征提取器提
基于特征的对抗迁移学习论文_<EYD与机器学习>迁移学习：DANN域对抗迁移网络...
weixin_39966644的博客
01-10 921
各位知乎儿大家好，这是<EYD与机器学习>专栏迁移学习系列文章的第三篇文章，在上次的文章中我们介绍了一个迁移学习与深度学习结合的算法框架（<EYD与机器学习>迁移学习：Domain Separation Networks），这次我们依旧为大家介绍一篇论文：Domain-Adversarial Training of Neural Networks（DANN）[1]。这篇文章...
Domain-Adversarial Training of Neural Networks
gdtop的个人笔记
04-19 2万+
本篇是迁移学习专栏介绍的第十八篇论文，发表在JMLR2016上。 Abstrac 提出了一种新的领域适应表示学习方法，即训练和测试时的数据来自相似但不同的分布。我们的方法直接受到域适应理论的启发，该理论认为，要实现有效的域转移，必须基于不能区分训练(源)域和测试(目标)域的特征进行预测。 该方法在神经网络体系结构的上下文中实现了这一思想，神经网络体系结构的训练对象是源域的标记数据和目标域的未...
Domain Adaptation（领域自适应，MMD，DANN）
热门推荐
nakaizura
12-26 4万+
Domain Adaptation 现有深度学习模型都不具有普适性，即在某个数据集上训练的结果只能在某个领域中有效，而很难迁移到其他的场景中，因此出现了迁移学习这一领域。其目标就是将原数据域（源域，source domain）尽可能好的迁移到目标域（target domain），Domain Adaptation任务中往往源域和目标域属于同一类任务，即源于为训练样本域（有标签），目标域为测集域，其测试集域无标签或只有少量标签，但是分布不同或数据差异大，具体根据这两点可以划分为： homogeneous .
【迁移学习】深度域自适应网络DANN在EEG睡眠质量检测上的应用
Ono_bing的博客
03-22 2852
应用DANN进行睡眠质量检测 目的：应用域对抗神经网络（DANN）分类实际生活场景中的睡眠脑电信号。 模型：使用实验室安静控制环境下采集的脑电信号训练DANN模型，通过域自适应方法将知识迁移到真实环境中。 实验结果：DANN在跨样本和跨场景任务中均能取到较高的正确率。 方法 数据预处理 选择电极通道，重参考 数据分频段 δ(1−4Hz),θ(4−8Hz),α(8−13Hz)...
阅读《迁移学习简明手册》总结（二）
Ma_tx
01-07 6643
一、迁移学习的基本方法 1、基于样本迁移 根据一定的权重生成规则，对数据样本进行重用，进行迁移学习。 在迁移学习中对于源域和目标域，通常假定产生它们的概率分布是不同且未知的，由于实例的维度和数量通常非常大，因此直接对概率分布进行估计是不可行的，所以，大量的研究工作都着眼于对源域和目标域的分布比值进行估计，所估计得到的比值即为样本的权重。通常假设目标域与源域的比值小与无穷，源域和目标域的条件概率分布...
深度对抗神经网络(DANN)笔记
add999add的博客
05-25 2万+
一 总体介绍 DANN是一种迁移学习方法，是对抗迁移学习方法的代表方法。基本结构由特征提取层f,分类器部分c和对抗部分d组成，其中f和c其实就是一个标准的分类模型，通过GAN（生成对抗网络）得到迁移对抗模型的灵感。但此时生成的不是假样本，而是假特征，一个足以让目标域和源域区分不开的假特征。 而领域判别器D其实是个标准的二分类分类器，0是源域，1是目标域。它本身的目标是区分源域和目标域，而我们想要的结果是使判别器越来越分不出数据特征来自源域还是目标域，感觉起来这很矛盾。但其实我们引入一个梯度反转层就可以完
基于脑电功率的疲劳驾驶检测研究_kaic
最新发布
毕业设计、远程调试、小程序、管理系统、JAVA、C#、IDEA、VS开发工具等
06-09 1855
刘天娇等人采集21名被试驾驶状态的脑电信号，使用数据功率谱分析的方法，探究驾驶员主动疲劳与脑电指标的关系，研究结果表明:在高速公路的复杂驾驶任务中，驾驶员脑电合并指标呈现下降趋势，同时，与驾驶员主观疲劳程度有显著的正向拟合关系，拟合解释率达50%[13]。说明基于脑电功率的疲劳驾驶检测研究的意义。总之，基于脑电功率的疲劳驾驶检测技术具有重要的研究意义和实际应用价值，可以提高驾驶员的安全意识，减少交通事故的发生，从而减少驾驶员发生交通事故的概率，推动交通安全的发展。
【迁移学习】2018_AAAI_Multi-Adversarial Domain Adaptation论文解读
zkq_1986的博客
12-07 2113
paper: Multi-Adversarial Domain Adaptation 引文：Pei Z, Cao Z, Long M, et al. Multi-Adversarial Domain Adaptation[J]. AAAI, 2018. 1. 方法 本文主要解决多领域迁移问题。在多领域中，存在如下图的困难。即多个领域容易被杂糅在一起，或者领域映射发生错误，比如源域有猫、狗，目...
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