最优传输论文（五十五）：A DIRT-T approach to unsupervised domain adaptation

CtrlZ1

已于 2022-04-11 15:56:10 修改

阅读量1k

点赞数

分类专栏：领域自适应与最优传输文章标签：机器学习算法计算机视觉领域自适应

于 2021-11-13 19:43:10 首次发布

本文链接：https://blog.csdn.net/qq_41076797/article/details/121226438

版权

领域自适应与最优传输专栏收录该内容

67 篇文章 122 订阅 ¥79.90 ¥99.00

订阅专栏

超级会员免费看

本文探讨了在深度学习中，如何通过虚拟对抗域适应（VADA）和决策边界迭代细化训练（DIRT-T）解决无监督领域自适应问题。VADA结合虚拟对抗训练和条件熵最小化，而DIRT-T进一步优化VADA，以适应目标域。实验表明，这两种方法在数字、交通标志和Wi-Fi识别等多个域适应任务中表现出色，提升了最新技术水平。

摘要由CSDN通过智能技术生成

文章目录

前言
摘要
1 INTRODUCTION
2 RELATEDWORK
3 LIMITATION OF DOMAIN ADVERSARIAL TRAINING
4 CONSTRAINING VIACONDITIONAL ENTROPY MINIMIZATION
5 DECISION-BOUNDARY ITERATIVE REFINEMENT TRAINING
- 5.1 DECISION-BOUNDARY ITERATIVE REFINEMENT TRAINING WITH ATEACHER
6.实验
7 代码

前言

文章来自2018年的ICLR
本文是本人领域自适应与最优传输系列论文的第55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

域适配指的是利用源域中的标记数据在标签稀少或不可用的目标域中学习精确模型的问题。最近发现两个域的共同表示的一种方法是通过域对抗训练（Ganin& Lempitsky，2015），该方法试图诱导一个特征提取器，该提取器与某些特征空间中的源和目标特征分布相匹配。然而，领域对抗性训练面临两个关键限制：1）如果特征提取功能具有高容

了解本专栏

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
0
评论
最优传输论文（五十五）：A DIRT-T approach to unsupervised domain adaptation

文章目录前言摘要1 INTRODUCTION2 RELATEDWORK3 LIMITATION OF DOMAIN ADVERSARIAL TRAINING4 CONSTRAINING VIACONDITIONAL ENTROPY MINIMIZATION前言文章来自2021年的CoRR本文是本人领域自适应与最优传输系列论文的第55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
复制链接

扫一扫