最优传输论文（二十九）：Re-weighted Adversarial Adaptation Network for Unsupervised Domain Adaptation论文原理

最新推荐文章于 2023-06-09 18:00:00 发布
最新推荐文章于 2023-06-09 18:00:00 发布
阅读量523 收藏
点赞数
分类专栏： 领域自适应与最优传输 文章标签： 深度学习 机器学习 神经网络 最优传输 领域自适应
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_41076797/article/details/120026349
版权
本文提出了一种名为RAAN的重加权对抗适应网络，旨在解决无监督领域适应问题。RAAN通过对抗训练和最优传输理论，减少了源域与目标域之间的特征分布差异，同时调整分类器以适应目标域。在对抗训练中，RAAN使用基于最优运输的EM距离最小化目标，匹配特征分布，并通过估计的标签分布比率向量进行实例重新加权。实验结果显示，RAAN在多个数据集上优于现有方法，尤其是在域差异大的情况下表现出色。
摘要由CSDN通过智能技术生成

文章目录

前言

  • 文章来自2018年的CVPR
  • 本文是本人领域自适应与最优传输系列论文的第29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

  • 无监督领域适应（UDA）旨在将领域知识从现有定义明确的任务转移到标签不可用的新任务。在实际应用中，由于域（任务）差异通常是不可控的，因此即使域差异是完全不同的，也会极大地激发匹配特征分布的动机。此外，由于目标域中没有可用的标签，如何成功地将分类器从源域调整到目标域仍然是一个悬而未决的问题。在本文中，我们
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CtrlZ1
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
最优传输论文（二十九、三十、三十一）总结
lyy的博客
09-05 410
文章目录前言介绍共同点不同点总结 前言 本文属于个人对于最优传输系列第29、30、31篇论文的联合总结 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~ 介绍 第30篇论文：Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domai 时间：2017 主题：源域样本加
Re-weighted adversarial adaptation network for unsupervised domain adaptation
lihuahuanluoluo的博客
03-07 1457
摘要主要强调以下几点： 1. 当domain discrepancy比较大的时候，文章中方法的性能比其余方法要好的多（实验部分的确如此） 2. re-weighted：在训练discriminator D的时候，每一个source sample并不是同等重要，weight取决于label 3. 在匹配source sample和target sample的特征分布的时候，用的是基于EM 距离...
Importance-weighted conditional adversarial network for unsupervised domain adaptation笔记
BEA_D的博客
03-21 644
Importance-weighted conditional adversarial network for unsupervised domain adaptation 这篇文章属于深度领域适配，深度领域适配主要包括两种方法： 1.基于差异思想：特征提取器，分类器，MMD/CORAL… 2.基于对抗思想：特征提取器，分类器，域判别器 ...
Duplex Generative Adversarial Network for Unsupervised Domain Adaptation
weixin_30872157的博客
06-02 553
Duplex Generative Adversarial Network for Unsupervised Domain Adaptation 　　域自适应尝试将从源域获得的知识传送到目标域，即测试数据所在的域。主要的挑战在于源域和目标域之间的分布差异。大多数现有工作通常通过最小化分布距离来努力学习域不变表示，例如MMD和最近提出的生成对抗网络（GAN）中的鉴别器。 遵循GAN的类...
论文笔记：Contrastive Adaptation Network for Unsupervised Domain Adaptation
WinerChopin的博客
03-14 2714
1. 任务设置 Unsupervised Domain Adaptation for ImageClassification\rm Unsupervised~Domain~Adaptation~for~Image ClassificationUnsupervised Domain Adaptation for Imag...
Re-Weighted Discriminatively Embedded K-Means for Multi-View Clustering
Robert_Gordon的博客
08-01 489
RDEKM这篇论文的创新点： 提出一个多视图最小绝对残差模型。 原来的多视K均值聚类的方法是采用非负矩阵分解，如公式所示： 其聚类性能数据异常值的很大影响。 基于此本论文提出一个多视最小绝对残差的模型，其中WkW_kWk​表示的是一个投影矩阵，对高维数据进行降维，避免维度诅咒。 在模型中残差∥.∥F\left \| . \right \|_F∥.∥F​没有进行平方，所以可以减少离群值的影响，并具有很好的鲁棒性。 目标函数为： 其中 ...
CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化
ssshyeong的博客
09-13 2332
我们在深度神经网络中提出了一种新的基于领域特定批归一化的无监督领域自适应框架。我们的目标是通过在卷积-卷积神经网络中专门化批归一化层，同时允许它们共享所有其他模型参数，从而适应这两种领域，这是通过两阶段算法实现的。在第一阶段，我们使用外部无监督域自适应算法(例如ample, MSTN[27]或CPUA[14])来估计目标域中示例的伪标签，该算法集成了提出的特定于域的批处理归一化。第二阶段使用源和目标域的多任务分类损失学习最终模型。注意，两个域在两个阶段都有单独的批处理规范化层。
OOD 使用基于提示的特征映射生成用于视频异常检测
最新发布
ResumeProject的博客
06-09 1760
本文提出了使用的生成式视频异常检测框架，作者来自中山大学，文章发表在cvpr2023作者首先分析了现有方法并指出当前面临的两个问题。
Adversarial Reinforcement Learning for Unsupervised Domain Adaptation
weixin_36670529的博客
02-17 1175
创建一个常数张量,传入list或者数值来填充 # Constant 1-D Tensor populated with value list. tensor = tf.constant([1, 2, 3, 4, 5, 6, 7]) => [1 2 3 4 5 6 7] # Constant 2-D tensor populated with scalar value ...
领域自适应论文（六十八）：Implicit Class-Conditioned Domain Alignment for Unsupervised Domain Adaptation论文原理
lyy的博客
03-20 1569
文章目录前言摘要Introduction2. Preliminaries3.Method3.1. Theoretical Motivations3.2. Implicit Class-Conditioned Domain Alignment3.2.1. CLASS-ALIGNEDSAMPLINGSTRATEGY3.2.2. INTEGR ATING IMPLICIT ALIGNMENT INTO CLASSIFIER-BASED DOMAIN DISCREPANCY MEASURE 前言 文章来自202
2020 CVPR Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering
weixin_44858740的博客
03-13 315
无监督域适应( UDA )是给定源域上分布偏离目标域的有标签数据，对目标域上的无标签数据进行预测。主流的UDA方法学习两个域之间的对齐特征，使得在源特征上训练的分类器可以很容易地应用到目标特征上。然而，这样的迁移策略存在破坏目标数据内在鉴别力的潜在风险。为了缓解这种风险，我们受结构域相似性假设的启发，提出通过对目标数据的判别性聚类来直接揭示目标的内在判别性。我们使用结构源正则化来约束聚类解，这依赖于我们假设的结构域相似性。
最优传输论文（八）Enhanced Transport Distance for Unsupervised Domain Adaptation
qq_42595295的博客
01-04 587
1.将Kantorovich潜在网络进行参数化，并根据深度特征返回最优传输计划g(f(x)) 用神经网络g来表示潜在特征对偶变量v，对应参数Wg , 优化传输计划πε的过程转化为优化网络g的过程. 对网络g进行参数优化后，利用当前参数Wg计算出最优传输距离Wε(µ，ν) 2.利用attention模块重新衡量传输距离，对距离矩阵进行重加权操作，使一个mini-batch实现真实的数据分布 3.最终，通过Kantorovich潜在网络计算得到的g(f t j)与重加权后的距离矩阵c(f s i,f t j)得
【论文合集】2022年11月医学影像期刊论文合集
sukeee的博客
12-06 3275
本文整理了11月医学影像期刊的文章列表，部分论文提供了图摘要，还附有标题高频词汇。 本月值得关注的论文包括Flare挑战赛和COVID-19-20 肺部 CT 病灶分割挑战的总结，医学分割架构的基准测试等值得关注的文章
CVPR 2019之迁移学习：Contrastive Adaptation Network for Unsupervised Domain Adaptation
makabaka的博客
10-18 5341
Contrastive Adaptation Network for Unsupervised Domain Adaptation 简述： 无监督域自适应(UDA)对目标域数据进行预处理，而手工注释只在源域可用。以往的方法在忽略类信息的情况下，会使域间的差异最小化，从而导致不一致和泛化性能低下。目前，虽然有ImageNet这种庞大的拥有精确标记的数据集，但是对于每个特定的目标域或任务，手工标签往往...
迁移学习-PixelDA-Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks
forever1993的博客
10-31 4907
文章阅读 摘要Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks
Adversarial Discriminative Domain Adaption 阅读笔记
热门推荐
sinat_29381299的博客
06-20 1万+
文章发表于 CVPR 2017 文章利用GAN网络的思想用于cross-domain识别
今日arXiv精选 | 9篇ICCV 2021最新论文
Paper weekly
09-03 646
关于#今日arXiv精选这是「AI 学术前沿」旗下的一档栏目，编辑将每日从arXiv中精选高质量论文，推送给读者。The Power of Points for Modeling H...
【论文阅读】Learning Semantic Representations for Unsupervised Domain Adaptation
zhy455的博客
11-12 3933
Learning Semantic Representations for Unsupervised Domain Adaptation 代码地址：https://github.com/Mid-Push/Moving-Semantic-Transfer-Network Tensorflow 主要贡献 这篇文章解决的主要问题是如何用有标签的数据去标记无标签的数据？ 之前的方法都忽略了样本的语义信息...
矩阵加权极分解的扰动分析：Q-与H-因子的新界
"Variations for the Q- and H-factors in the weighted polar decomposition" 这篇文章主要探讨了矩阵加权极分解中Q-因子和H-因子的扰动分析。矩阵加权极分解是线性代数和矩阵理论的一个重要概念，它在信号处理、...
评论
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

打赏作者

CtrlZ1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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