最优传输论文（三十）：Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domai论文原理

最新推荐文章于 2023-07-12 21:12:43 发布
最新推荐文章于 2023-07-12 21:12:43 发布
阅读量376 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 pytorch 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/120054974
版权
本文针对域自适应中的类权重偏差问题，提出了加权最大平均差异（Weighted Maximum Mean Discrepancy, WMMD）模型。现有基于MMD的域自适应方法忽视了类先验分布变化，即类权重偏差，导致性能下降。作者通过引入特定于类的辅助权重，调整源样本，使源域和目标域共享相同的类权重。通过联合优化辅助权重估计和模型参数，实验证明加权MMD在域自适应任务中优于传统MMD，尤其是在深度学习和神经网络领域，提高了域自适应性能。" 78480009,2177025,有序环形单链表的节点插入方法,"['单链表', '链表插入', '数据结构', '算法', '环形结构']
摘要由CSDN通过智能技术生成

文章目录

前言

  • 文章来自2017年的CVPR
  • 本文是本人领域自适应与最优传输系列论文的第30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

  • 在域自适应中，最大平均差异（MMD）被广泛用作源域和目标域分布之间的差异度量。然而，现有的基于MMD的域自适应方法通常忽略了类先验分布的变化，即跨域的类权重偏差。这仍然是一个开放的问题，但对于域适配来说是普遍存在的，这可能是由样本选择标准和应用场景的更改引起的。我们发现MMD不
了解本专栏 订阅专栏 解锁全文 超级会员免费看
CtrlZ1
关注
专栏目录
订阅专栏
最优传输论文（二十四）：Reliable Weighted Optimal Transport for Unsupervised Domain Adaptation论文原理
lyy的博客
08-26 759
目录前言摘要1. Introduction2. Related work3. Reliable Weighted Optimal Transport3.1. Shrinking Subspace Reliability3.2. Weighted Optimal Transport3.3. Discriminative Centroid Exploitation3.4. Training4.实验4.1.设置4.2.实施细节4.3. Result and Discussion4.4.分析5. Conclusio
最优传输论文（二十九）：Re-weighted Adversarial Adaptation Network for Unsupervised Domain Adaptation论文原理
lyy的博客
09-03 537
文章目录前言摘要1. Introduction2. Related Work2.1. Matching Feature Distribution using Adversarial Training（使用对抗性训练匹配特征分布）2.2. Matching Feature Distribution using OT 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-Adaptati
[cvpr2017]Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised DA
MataFela的博客
08-21 3294
introduce 作者认为使用MMD（maximum mean discrepancy）来衡量source domain和target domain之间的差异不够准确，这是因为没有考虑class prior distributions（类的先验分布？），为了解决这个问题，作者提出了一个叫做weighted MMD（WMMD）的模型。（Despite the great success achie
《Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation》论文阅读
big_yellow_man的博客
06-27 2256
摘要 在区域自适应（domain adaptation）中，最大平均差(maximum mean discrepancy，MMD)作为源域和目标域分布的一种差异度量方法被广泛采用，然而，现有的基于MMD的域自适应方法通常忽略了类先验分布的变化，比如跨域的类权重偏差（class weight bias across domains），对于领域适应来说是普遍存在的，作者认为这可能是由于样本选择标准和应...
《Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation》源码剖析
big_yellow_man的博客
06-27 721
介绍 这是对论文《Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation》作者在github给出的代码示例进行的分析，代码基于Caffe框架扩展，fork于mmd-caffe，主要对MMDLoss进行定义和实现，理论分析，源码地址。 数据集 该方法为迁移学习中domain adaptation类，作者将domain ...
基于matlab的fisher线性判别及感知器判别_Deep Domain Adaptation论文集(一)：基于label迁移知识...
weixin_39741101的博客
11-19 213
本系列简单梳理一下《Deep Visual Domain Adaptation: A Survey》这篇综述文章的内容，囊括了现在用深度网络做领域自适应DA(Domain Adaptation)的各个方面的一些文章。原文链接：Deep Visual Domain Adaptation: A SurveyClass Criterion类别准则：使用标签信息作为指导在不同领域之间迁移知识Distill...
MMD ：maximum mean discrepancy
easylifer的专栏
05-27 4万+
MMD最先提出的时候用于双样本的检测（two-sample test）问题，用于判断两个分布p和q是否相同。它的基本假设是：如果对于所有以分布生成的样本空间为输入的函数f，如果两个分布生成的足够多的样本在f上的对应的像的均值都相等，那么那么可以认为这两个分布是同一个分布。现在一般用于度量两个分布之间的相似性。在[1]中从任意空间到RKHS上介绍了MMD的计算，这里根据这个顺序来介绍。
【最优传输论文十四】2019 CVPR-Sliced Wasserstein Discrepancy for Unsupervised Domain Adaptation
m0_60231311的博客
07-12 646
无监督域适应大部分工作都集中在建立源域和目标域的特征分布之间的直接对齐。这种对齐涉及最小化模型学习到的特征分布的一些距离度量。更复杂的方法使用对抗性训练，通过在特征级、像素级或输出级跨域调整表示，从而提高分布之间对齐的质量。在MCD中提出了一种基于网络内对抗学习的方法，该方法包含一个特征生成器和两个(特定任务)分类器，该方法使用特定任务的决策边界来对齐源样本和目标样本。然而存在一些局限性。例如，它们的差异损失(MCD中为L1)只有在分类器的两个输出概率度量重叠时才有用。
最优传输论文（四十三）：Unsupervised Multi-source Domain Adaptation Without Access to Source Data论文原理
lyy的博客
10-16 755
文章目录前言摘要1. Introduction 前言 文章来自2021年的CVPR 本文是本人领域自适应与最优传输系列论文的第43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 这一篇论文很有看点，它不访问源域数据来完成领域自适应。 无监督域自适应(UDA)的目标是通过从一个独立的有标记源域转移知识来学习一个无标记域的预测模型。然而，大多数传统的UDA方法都假设
Domain Adaptation总结（2017.9）
MataFela的博客
09-03 2万+
有一篇论文（[cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation ）对Domain Adaptation做了一定的总结，我直接把我当时的翻译抄一下： 常见的域适应包括基于实例（instance-based）的适应、基于特征表示( feature representation）的适应、
IAWMF for Salt and Pepper Noise Removal：论文代码“Improved Adaptive Weighted Mean Filter for Salt-and-Pepper Noise Removal”-matlab开发
05-31
出版日期和地址； Erkan, U., Enginoğlu, S., Thanh, DNH, Memiş, S., 2020. 改进的自适应加权平均滤波器去除椒盐噪声，Proc. 第二届电气、通信和计算机工程国际会议 (ICECCE)，第 1-5 页，6 月 12-13 日，土耳其伊斯坦布尔。 doi：10.1109/ICECCE49384.2020.9179351。 抽象的： 在这项研究中，我们提出了一种改进的自适应加权平均滤波器（IAWMF）来去除椒盐噪声。 IAWMF 最突出的优点是它能够考虑自适应窗口中无噪声像素的权重。 因此，新的灰度值比自适应加权平均滤波器 (AWMF) 计算的灰度值更接近中心像素的原始灰度值。 此外，所提出的方法利用AWMF的优势来减少检测噪声像素的误差。 在实验中，我们将所提出方法的去噪结果与其他最先进的图像去噪方法进行了比较。 结果证实 IAWMF
Maximum Mean Discrepancy理解(MMD)
bbbeoy的专栏
08-23 7823
https://blog.csdn.net/tunhuzhuang1836/article/details/78058184 MMD理解 1.定义 MMD：maximum mean discrepancy。最大平均差异。参考网上定义为：基于两个分布的样本，通过寻找在样本空间上的连续函数f，求不同分布的样本在f上的函数值的均值，通过把两个均值作差可以得到两个分布对应于f的mean discrepancy。寻找一个f使得这个mean discrepancy有最大值，就得到了MMD。最后取MMD作为检验统计
【代码阅读】最大均值差异（Maximum Mean Discrepancy, MMD）损失函数代码解读（Pytroch版）
热门推荐
a529975125的博客
07-23 5万+
代码及参考资料来源 Source code: easezyc/deep-transfer-learning [Github] 参考资料：迁移学习简明手册 MMD介绍 MMD（最大均值差异）是迁移学习，尤其是Domain adaptation （域适应）中使用最广泛（目前）的一种损失函数，主要用来度量两个不同但相关的分布的距离。两个分布的距离定义为： MMD(X,Y)=||1n∑i=1n...
【时序】时间序列领域的 GAN 模型综述论文笔记
stay hungry, stay foolish
04-13 1万+
论文年份：2021，论文被引：8（2022/04/13）
[论文阅读笔记@2019.6] Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
quyan的博客
12-23 4454
文章目录[论文阅读笔记@2019.6] Maximum Classifier Discrepancy for Unsupervised Domain Adaptation1. IntroductionPrevious Methods:However:Proposed Method:2. Related Work3. Method3.1 Overall Idea要让生成器的特征更远离分类边界（靠近源...
Maximum Mean Discrepancy理解
tunhuzhuang1836的博客
09-21 2万+
MMD
最优传输系列（一）：最优传输入门及Monge-Kantorovitch Problem
lyy的博客
05-04 4163
目录引言背景什么是最优传输问题（Optimal Transport）概率测度如何解决最优传输问题MongeKantorovitch引用 引言 本人刚刚接触最优传输，很多地方并不能也不敢写出自己尚不成熟的见解来误导别人，所以很多地方都是借鉴了别人的成果与经验。之所以记录这篇博客，一是为了和大家分享学习内容，也期望自己的文章能帮助到有需要的人；二是进行学习笔记式的记录，并时常回顾。本文不做商用，所引用的别人的成果也会在文章末尾贴出链接，本文只想将本人所涉猎的内容整理起来，形成更容易让人理解的更好的内容。下面进
领域自适应论文（六十七）：Your Classifier can Secretly Suffice Multi-Source Domain Adaptation论文原理
lyy的博客
03-19 4123
文章目录前言摘要1 IntroductionRelated3 Self-supervised Implicit Alignment (SImpAl)3.1源域的热启动3.2 Introducing target data 前言 文章来自2020年的NIPS 本文是本人领域自适应与最优传输系列论文的第67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 多源域适配（
领域自适应论文（六十六）：CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation
lyy的博客
03-18 4115
文章目录前言摘要介绍Related WorkThe Proposed MethodThe Cross Attention in TransformerTwo-Way Center-Aware Pseudo Labeling 前言 文章来自2022年的ICLR 本文是本人领域自适应与最优传输系列论文的第66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
TypeError: weighted_feature_matching_loss() missing 1 required positional argument: 'sample_weight'
最新发布
07-13
这个错误是因为在调用 `weighted_feature_matching_loss()` 函数时缺少了一个必需的位置参数 `sample_weight`。你需要在调用函数时提供这个参数的值。你可以查看函数的文档或者函数定义来确定如何正确地使用这个参数...
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