最优传输论文（六十二）：Aligning Domain-specific Distribution and Classifier for Cross-domain Classification论文原理

最新推荐文章于 2024-06-13 09:40:11 发布
最新推荐文章于 2024-06-13 09:40:11 发布
阅读量2k 收藏 1
点赞数
分类专栏： 领域自适应与最优传输 文章标签： 计算机视觉 深度学习 机器学习
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_41076797/article/details/122494044
版权
本文提出了一个两阶段对齐框架用于多源无监督域自适应（MUDA），旨在解决深度学习中多源域自适应的挑战。第一阶段对每对源域和目标域的特定于域的分布进行对齐，第二阶段利用特定领域的决策边界对齐分类器的输出。实验表明，这种方法在图像分类基准数据集上取得了显著效果，优于现有的MUDA方法。
摘要由CSDN通过智能技术生成

文章目录

前言

  • 文章来自2019年的AAAI
  • 本文是本人领域自适应与最优传输系列论文的第62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

  • 近年来，无监督域自适应（UDA）算法（即只有来自源域的标记数据）得到了积极的研究，但大多数算法和理论结果都集中在单源无监督域自适应（SUDA）上。然而，在实际场景中，标记数据通常可以从多个不同的来源收集，并且它们可能不仅与目标域不同，而且彼此也不同。因此，不应
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
  • 1
    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
【论文翻译】Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domai
星星亮了bulingbuling~
05-22 570
Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domain Adaptation 仔细研究域转移：语义一致域适应的类别级对手 Abstract We consider the problem of unsupervised domain adap- tation in semantic segmentation. A key in this campaign consists
MUDA:利用特征和分类器同时适配进行多源迁移学习 AAAI-19最新论文
白菜的博客
09-18 3644
本论文是我在读迁移学习方面阅读和理解最为轻松的一篇，论文条理清晰容易理解。方法简单有效，思路明了，实验也做的非常全面，而且对我等初学者很是友好，可以学习学习人家的方法和思路进行一些实验和思考，好了直接上货： 论文：Aligning Domain-Specific Distribution and Classifier for Cross-Domain Classification from Mul...
深度学习--多源域文章之Aligning Domain-Specifific Distribution and Classififier for Cross-Domain Classifificat
qq_44258878的博客
11-15 1203
多源域文章之《Aligning Domain-Specifific Distribution and Classififier for Cross-Domain Classifification from Multiple Sources》
推荐文章：Graph Optimal Transport 框架——跨域对齐的新利器
最新发布
gitblog_00041的博客
06-13 306
推荐文章：Graph Optimal Transport 框架——跨域对齐的新利器 Graph-Optimal-TransportCode for ICML 2020 "Graph Optimal Transport for Cross-Domain Alignment"项目地址:https://gitcode.com/gh_mirrors/gr/Graph-Optimal-Transport ...
[MFSAN]Aligning Domain-specific Distribution and Classifier
HHzdh的博客
03-20 523
MFSAN
论文浅尝 - ICML2020 | 跨域对齐的图最优运输算法
开放知识图谱
11-25 3211
陈卓，浙江大学在读博士，主要研究方向为图神经网络和知识图谱表示学习。论文链接：https://arxiv.org/pdf/2006.14744代码：https://github.com/...
论文阅读笔记：Cross-Domain Sentiment Classification with Target Domain Specific Information
weixin_44740082的博客
03-25 3158
本文是复旦大学在第56届ACL会议上发表的文章。主要目的是通过原域大量带有标签的数据及目标域少量带有标签的数据的训练，对目标域大量无标签数据进行分类。 原文链接 摘要： 现有的跨领域情感分类大多集中在提取域不变的特征，而域特定信息对于情感分类也是十分重要的，因此本文提出一种方法，同时抽取原域和目标域的域特定、域不变信息，然后利用原域和目标域的域不变信息训练一个域不变分...
Aligning Domain-Specific Distribution and Classifier for Cross-Domain Classification from Multiple Sources tensorflow代码
06-09
domain1_pred, domain2_pred, domain3_pred = multi_domain_classifier(inputs) # 计算损失值 loss1, loss2, loss3 = loss_fn(domain1_pred, domain2_pred, domain3_pred, labels1, labels2, labels3) # ...
Graph-Optimal-Transport:ICML 2020代码“跨域对齐的图形最佳传输”
03-09
跨域对齐的图最优传输框架 概括 在这项工作中，应用了Gromov-Wasserstein和Wasserstein距离来提高不同的跨域对齐任务的性能，例如VQA，机器翻译等。 象征性 注意，VQA模型是在基础上开发的。 并在建立了机器翻译模型。 引文 如果您发现该代码有用，请引用我们的ICML 2020论文。 @article{chen2020graph, title={Graph Optimal Transport for Cross-Domain Alignment}, author={Chen, Liqun and Gan, Zhe and Cheng, Yu and Li, Linjie and Carin, Lawrence and Liu, Jingjing}, journal={ICML}, year={2020} }
Optimal Transport for Domain Adaptation
12-20
Domain adaptation is one of the most challenging tasks of modern data analytics. If the adaptation is done correctly, models built on a specific data representation become more robust when confronted to data depicting the same classes, but described by another observation system. Among the many strategies proposed, finding domain-invariant representations has shown excellent properties, in particular since it allows to train a unique classifier effective in all domains. In this paper, we propose a regularized unsupervised optimal transportation model to perform the alignment of the representations in the source and target domains. We learn a transportation plan matching both PDFs, which constrains labeled samples of the same class in the source domain to remain close during transport. This way, we exploit at the same time the labeled samples in the source and the distributions observed in both domains. Experiments on toy and challenging real visual adaptation examples show the interest of the method, that consistently outperforms state of the art approaches. In addition, numerical experiments show that our approach leads to better performances on domain invariant deep learning features and can be easily adapted to the semi-supervised case where few labeled samples are available in the target domain.
基于语义规则的胶囊网络跨域情感分类：Cross-Domain Sentiment Classification by Capsule Network With Semantic Rules
g534441921的博客
06-17 1090
基于语义规则的胶囊网络跨域情感分类论文ABSTRACTI. INTRODUCTION 论文 ABSTRACT CapsuleDAR利用胶囊网络编码内在的空间的部分-整体关系，构成领域不变知识(domain invariant knowledge)，弥补了源域和目标域之间的知识缺口。此外，我们还提出了一个规则网络，将这些规则纳入到胶囊网络中，以提高全面的句子表示学习。 I. INTRODUCTION 现有的情绪分类方法可以根据所使用的知识和信息分为两类: 基于词典(exicon-based)的方法和基于语料库
【论文推送】跨域学习、跨域小样本学习Cross-Domain(持续更新...)
诸葛灬孔暗
08-13 4242
深度神经网络(DNN)的泛化性能相当依赖于训练集的规模(size)和丰富性(variations). 但是在很多场景下无法搜集到如此多的数据, 如皮肤病, 卫星图片(飞机残骸).尽管每种特殊的情况发生的概率很低, 人为处理的成本也很低, 但当我们有大量的”特殊情况”时, 问题就变得复杂了起来. 如何利用一个或一些成熟域上的先验知识，去解决另一个样缺少样本域上的复杂任务是跨域少样本学习 (Cross-Domain Few Shot Learning)研究的主要问题。 本文主要记录该领...
【无标题】
dnk99999的博客
07-22 1711
多源域适应
多源迁移学习相关研究回顾
Paper weekly
09-04 3806
©PaperWeekly 原创 ·作者｜张玮玮学校｜东北大学硕士研究方向｜情绪识别迁移学习中大多数工作在研究单个源域到单个目标域的学习，在实际生活中，应用的时候会碰到很多有标注样本的不...
CVPR2020 有关Cross Domain论文阅读总结与思考
weixin_42279314的博客
03-16 2951
有关CVPR2020中Cross Domain论文阅读总结与思考 论文总结 论文总结 Progressive Adversarial Networks for Fine-Grained Domain Adaptation 作者：Sinan Wang, Xinyang Chen, Yunbo Wang, Mingsheng Long, and Jianmin Wang 所解决的问题是在Fine-Grained中的跨域分类(Cross Domain) 解决问题的出发点：为使源域与目标域的数据分布能趋
迁移学习 材料集合
u014546828的博客
12-02 671
迁移学习 材料集合 目录 迁移学习 材料集合 Book novel_papers 1) novel_papers on transfer learning 2) novel_papers on related fileds 更多 DA awesome​​​​​​​ 入门参考 小结 Excellent Scholars 新论文追踪 科研方法论 Presentation 大部分内容 转自 GitHub：https://github.com/yuntaodu/Transfer-lear
小样本跨域（cross-domain）系列工作（超级详细）
s_m_c的博客
01-20 2385
本文记录近期阅读过的小样本跨域相关论文，每一篇文章都经过了自己的深入思考和总结，按照：解决什么问题、动机、方法、数据集、结论和启发的顺序进行总结，同时会有部分细节的补充。
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