最优传输论文（六十三）：Contrastive Adaptation Network for Unsupervised Domain Adaptation论文原理

最新推荐文章于 2024-06-07 09:50:13 发布
最新推荐文章于 2024-06-07 09:50:13 发布
阅读量2.2k 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 神经网络 计算机视觉 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/122514123
版权

文章目录

前言

  • 文章来自2019年的CVPR
  • 本文是本人领域自适应与最优传输系列论文的第63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

  • 无监督域自适应（UDA）对目标域数据进行预测，而手动注释仅在源域中可用。以前的方法忽略了类信息，使得领域差异最小化，这可能导致不一致和泛化性能差。为了解决这一问题，本文提出了对比适应网络（CAN）优化的新指标，该指标明确地建模了类内域差异和类间域差异。我们以端到端的方式为培训CAN设计了交替更新策略。在两个真实基准Office-31和VisDA-2017上进行的实验表明，CAN能够与最先进的方法相比表现出色，并产生更具辨别力的特征。

1. Introduction

  • 深度神经网络的最新进展成功地改善了各种学习问题[40,8,26,19
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（四十三）：Unsupervised Multi-source Domain Adaptation Without Access to Source Data论文原理
lyy的博客
10-16 555
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
DA-3-Contrastive Adaptation Network for Unsupervised Domain Adaptation
singxsy的博客
10-25 690
Contrastive Adaptation Network for Unsupervised Domain Adaptation方法最大均值差异（MMD, Maximun Mean Discreoancy）对比域差异（Contrastive Domain Discrepancy）对比自适应网络（Contrastive Adaptation Network）CAN优化Alternative optimization (AO)Class-aware Sampling（CAS） 原文链接（2019 CVPR）
推荐项目：对比适应网络（Contrastive Adaptation Network）
最新发布
gitblog_00042的博客
06-07 376
推荐项目：对比适应网络（Contrastive Adaptation Network） 项目地址:https://gitcode.com/kgl-prml/Contrastive-Adaptation-Network-for-Unsupervised-Domain-Adaptation 在这个数据驱动的时代，无监督领域适应（Unsupervised Domain Adaptation）已经成为解决...
Contrastive Domain Adaptation for Question Answering using Limited Text Corpora
Jeaksun的博客
03-09 421
Contrastive Domain Adaptation for Question Answering using Limited Text Corpora 基于有限文本语料库的问答对比领域自适应 code Abstract 问题生成在新领域定制QA系统方面取得了不错的成果，这些方法避免了来自新领域的人工标注的训练数据的需要，而是生成用于训练的合成问答对(synthetic question-answer pairs)。本文提出了一种新的领域自适应框架，称为用于QA的对比领域自适应(CAQA)，具体来说.
contrastive learning for unsupervised domain adaptation of time series
小蚂蚁与大象
03-01 203
据我们所知，CLUDA是第一种为UDA在多元时间序列中学习域不变的上下文表示的方法。重要的是，我们的两个新组件-即我们的定制CL和NNCL -产生了明显的性能改进。据我们所知，我们的框架是第一个学习时间序列数据UDA的域不变上下文表示的框架。无监督域适应(UDA)旨在使用标记的源域学习机器学习模型，该模型在类似但不同的无标记目标域上表现良好。本文开发了一种新的时间序列数据UDA框架，称为clua。用广泛的时间序列数据集对所提出框架进行了评估，以证明其有效性，并表明其在时间序列UDA方面取得了最先进的性能。
【最优传输论文二十】2023 ICCV - DPM-OT A New Diffusion Probabilistic Model Based on Optimal Transport
m0_60231311的博客
08-09 650
给定在时刻t的M步轨迹, M≤t, xt∈Xt，则从到的最优轨迹为单步轨迹，通过最小化以下运输成本获得:根据Brenier定理，OT映射g *(·)是满足monge - ampsamre方程的凸Brenier势uh的梯度。文献[14]的第2章中证明了monge - ampre方程解的存在性和唯一性，他使用Alexandrov的方法并宣称:i). Dirac分布序列{νn}弱收敛于数据分布ν;ii).对于每一个狄拉克测度νn，存在一个Alexandrov解(即本文中的离散Brenier势);
[论文阅读笔记]Contrastive Boundary Learning for Point Cloud Segment
10-08
论文的作者针对这一问题，提出了一种创新的对比边界学习（Contrastive Boundary Learning, CBL）框架，旨在通过对比学习提升点云边界区域的特征表示，从而提高分割性能。 首先，论文定义了边界点的概念。基于真实...
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
09-03
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
Article Analysis(AA): A Simple Framework for Contrastive Learning of Visual Representations
01-20
A Simple Framework for Contrastive Learning of Visual Representations 作者： Ting Chen, Simon Kornblith, Mohammad Norouzi, Geoffrey Hinton 本文提出一种简洁有效的设计的无监督设计，并且以7%的margin刷新...
contrastive-domain-randomization:对比域随机化
03-16
对比域随机化
SpCo-NIPS 2022 论文阅读详细笔记
10-30
《从图谱视角重新审视图对比学习——NeurIPS 2022论文解析》 图对比学习（Graph Contrastive Learning, GCL）是近年来在无监督或自监督学习领域中备受关注的一种方法，尤其在处理图数据时，它能够有效地学习到节点...
Deep Transfer Network: Unsupervised Domain Adaptation
02-09
Deep Transfer Network: Unsupervised Domain Adaptation
最优传输论文（三十二）：Deep multi-Wasserstein unsupervised domain adaptation论文原理
lyy的博客
09-10 264
文章目录前言摘要1. Introduction2. Related work3. Setting and background knowledge4. Multi-critic domain adaptation5. Experiments6.消融研究7. Conclusion 前言 文章来自2019年的PRletter 本文是本人领域自适应与最优传输系列论文的第32篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，
最优传输论文（七）：Enhanced Transport Distance for Unsupervised Domain Adaptation论文原理
lyy的博客
05-22 729
目录前言原理阐述文章介绍介绍OT简要回顾及符号定义本文模型基于注意力模型对距离重新加权Kantorovich势的网络再参数化Discriminant Features Adaption and Model Optimization总结 前言 本文属于我最优传输系列里的七篇，该专栏用于记录本人研究生阶段相关最优传输论文的原理阐述以及复现工作。 本专栏的文章主要内容为解释原理，论文具体的翻译及复现代码在文章的github中。 原理阐述 文章介绍 文章发表于2020年的CVPR。 介绍 现有的基于OT距
CVPR 2019之迁移学习：Contrastive Adaptation Network for Unsupervised Domain Adaptation
makabaka的博客
10-18 5265
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...
#今日论文推荐# ACL 2022 | 基于最优传输的对比学习实现可解释的语义文本相似性
w1hsxn的博客
07-25 221
本文研究的问题其实是所有句子级任务普遍存在的问题，忽略了 token-level 的可解释性。
最优传输系列（一）：最优传输入门及Monge-Kantorovitch Problem
lyy的博客
05-04 3911
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
域适应（domain adaptation）
热门推荐
如果想成为中心，那么就到中心去吧。
05-22 3万+
文章目录导读前言域适应类别任务相关性一步域适应技术及其应用基于散度的域适应基于对抗的域适应基于重建的域适应结论 导读 在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种特殊的迁移学习叫做域适应 （Domain Adaptation，DA ）。因为其任务相同，域适应属于一种直推式迁移学习。在计算机视觉中，域适应是一个常见要求，因为带有标注的数据集很容易取得，但是获得的数据集和我们最终应用的数据集来源的域往往是不同的。那么解决这类问题的思路是什么呢？请看 AI 前线翻译的这篇文章，希望能有所启
Contrastive Adaptation Network for Unsupervised Domain Adaptation
m0_47180208的博客
07-05 1421
无监督领域自适应的对比自适应网络摘要引言本文贡献相关工作本文提出的方法最大平均差异叙述对比领域差异对比自适应网络算法流程 摘要 文章和源代码 无监督域自适应(UDA)对目标域数据进行预测，而手动注释仅在源域可用。以往的方法忽略了类信息，最小化了领域差异，这可能导致未对齐和泛化性能差。为了解决这一问题，本文提出了对比自适应网络优化一种新的度量，该度量明确地模拟了类内域差异和类间域差异。我们设计了一个交替更新策略，以端到端的方式训练CAN。在两个真实世界基准Office-31和VisDA-2017上的实验表明，
cvpr 2019之迁移学习:contrastive adaptation network for unsupervised domain a
01-28
CVPR 2019中发表了一篇题为“迁移学习:无监督领域自适应的对比适应网络（Contrastive Adaptation Network for Unsupervised Domain Adaptation）”的论文。这篇论文主要介绍了一种用于无监督领域自适应的对比适应网络。 迁移学习是指将从一个源领域学到的知识应用到一个目标领域的任务中。在无监督领域自适应中，源领域和目标领域的标签信息是不可用的，因此算法需要通过从源领域到目标领域的无监督样本对齐来实现知识迁移。 该论文提出的对比适应网络（Contrastive Adaptation Network，CAN）的目标是通过优化源领域上的特征表示，使其能够适应目标领域的特征分布。CAN的关键思想是通过对比损失来对源领域和目标领域的特征进行匹配。 具体地说，CAN首先通过一个共享的特征提取器来提取源领域和目标领域的特征表示。然后，通过对比损失函数来测量源领域和目标领域的特征之间的差异。对比损失函数的目标是使源领域和目标领域的特征在特定的度量空间中更加接近。最后，CAN通过最小化对比损失来优化特征提取器，以使源领域的特征能够适应目标领域。 该论文还对CAN进行了实验验证。实验结果表明，与其他无监督领域自适应方法相比，CAN在多个图像分类任务上取得了更好的性能，证明了其有效性和优越性。 综上所述，这篇CVPR 2019论文介绍了一种用于无监督领域自适应的对比适应网络，通过对源领域和目标领域的特征进行对比学习，使得源领域的特征能够适应目标领域。该方法在实验中展现了较好的性能，有望在无监督领域自适应任务中发挥重要作用。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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