最优传输论文（六十四）：Gradually Vanishing Bridge for Adversarial Domain Adaptation论文原理

最新推荐文章于 2022-03-19 16:12:11 发布
最新推荐文章于 2022-03-19 16:12:11 发布
阅读量779 收藏 2
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 计算机视觉 机器学习 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/122626319
版权
本文提出了一种新的对抗性领域适应框架，名为渐消桥（GVB），旨在解决无监督领域适应中的挑战。通过在生成器和鉴别器上应用GVB，该方法能更有效地减少领域特定特征，提升表示学习的性能。实验表明，GVB在多个数据集上超越了现有方法，改善了对抗训练的平衡性。
摘要由CSDN通过智能技术生成

文章目录

前言

  • 文章来自2020年的CVPR
  • 本文是本人领域自适应与最优传输系列论文的第64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

  • 在无监督领域自适应中，丰富的领域特性给学习领域不变表示带来了巨大挑战。然而，在现有的解决方案中，领域差异被认为是直接最小化的，这在实践中很难实现。一些方法通过显式地建模表示中的域不变量和特定于域的部分来缓解困难，但是显式构造的不利影响在于所构造的域不变量表示中剩余的特定于域的特征。在本文中，我们在生成器和鉴别器上都装备了带有渐消桥ÿ
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
Gradually Vanishing Bridge for Adversarial Domain Adaptation（CVPR2020）笔记
BEA_D的博客
03-24 884
Gradually Vanishing Bridge for Adversarial Domain Adaptation（CVPR2020）笔记 桥：现有表示和理想表示之间的差异（两个向量间差值的范数） 现有特征表示：当前网络所提取到的特征 理想表示：进行了特征分布匹配 后的特征表示 生成器上的桥：源域或中间域与目标域的差异 判别器中：-------表示原判别器域的分界线，但有错分的情况 ·······表示判别器 的桥（不是域的界限，而是与理想分界线...
Gradually Vanishing Bridge for Adversarial Domain Adaptation
qq_36501101的博客
12-30 1022
文章领域：迁移学习 效果： 结构： 这篇文章对它所提出来的GVB的描述，还是挺模糊的，没有具体的网络结构表，所以想要详细理解，还要去它公开的代码里去看。（https://github.com/cuishuhao/GVB） 损失：（结合结构理解） （1）分类损失 Lce采用的是交叉熵损失，G是生成器，样本右上角的S代表是Source domain，Ns代表Source样本的个数。 这里采用的分类损失，和判别器无关，是结构图里面的G2判别的结果，所以和常规的GAN不同，此处将（一个生成器加上一个分类器）当
GVB:对抗域适应渐渐消失的代码（CVPR2020）
05-04
GVB 代码发布（CVPR 2020） 数据集 Office-31数据集可在找到。 可以在找到Office-Home数据集。 VisDA 2017年的数据集可以发现在分类的轨道。 要求 该代码是使用Python（3.6）和Pytorch（1.0.0）实现的。 要安装所需的python软件包，请运行 pip install -r requirements.txt 训练 对于GVB-GD和CDAN-GD培训说明在README.md在和分别。 引文 如果您使用此代码进行研究，请考虑引用： @inproceedings{cui2020gvb, title={Gradually Vanishing Bridge for Adversarial Domain Adaptation}, author={Cui, Shuhao and Wang, Shuhui and Zhuo, Jun
Domain Adaptation（领域自适应，MMD，DANN）
热门推荐
nakaizura
12-26 3万+
Domain Adaptation 现有深度学习模型都不具有普适性，即在某个数据集上训练的结果只能在某个领域中有效，而很难迁移到其他的场景中，因此出现了迁移学习这一领域。其目标就是将原数据域（源域，source domain）尽可能好的迁移到目标域（target domain），Domain Adaptation任务中往往源域和目标域属于同一类任务，即源于为训练样本域（有标签），目标域为测集域，其测试集域无标签或只有少量标签，但是分布不同或数据差异大，具体根据这两点可以划分为： homogeneous .
NeurIPS 2020中国入选论文：新一代算法“鉴黄师”诞生，中科院计算所研究生一作...
量子位
11-24 618
贾浩楠 发自 凹非寺 量子位 报道 | 公众号 QbitAI不知道那位不愿意透露姓名的唐马儒先生，现在看太阳还是不是绿色的？第一代网络鉴黄师，牺牲小我，造福了千万家。撇开玩笑不谈，维持健...
（十：2020.08.28）CVPR 2018 追踪之论文纲要（译）
Jojo论文基地
08-28 7258
CVPR 2018 追踪之论文纲要（修正于2020.08.28）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这979篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 下面皆为机器翻译以方便我第一次筛选，我会慢慢修正，但现在请结合。有兴趣的可以问我要处理这些论文并自动翻译的脚本。 Respect！ 论文目录
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
2020 Domain Adaptation 最新论文：插图速览（二）
u014546828的博客
11-30 2626
Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [paper] CSCL: Critical Semantic-Consistent Learning for Unsupervised Domain Adaptation [paper] Learning to Combine: Knowledge Aggregation for Multi-Source D...
NeurIPS 2020 ：新一代算法“鉴黄师”诞生，中科院计算所研究生一作
zandaoguang的博客
11-26 367
贾浩楠 发自 凹非寺 量子位 报道 | 公众号 QbitAI不知道那位不愿意透露姓名的唐马儒先生，现在看太阳还是不是绿色的？第一代网络鉴黄师，牺牲小我，造福了千万家。撇开玩笑不谈，维持健...
【论文笔记 CVPR-2019】《Domain-Symmetric Networks for Adversarial Domain Adaptation》
puchapu的博客
05-19 3457
摘要： 无监督域自适应旨在通过源域上有标记训练数据，学习到可以适用于目标域上无标记样例的分类器。最近，通过深度域对抗方法来学习域不变特性取得了令人印象深刻的进展。尽管近年来的研究取得了一定的进展，但域自适应在较细类别水平上实现特征分布的不变性方面仍然存在一定的局限性。为此，本文提出了一种新的域自适应方法域对称网络(SymNets)。提出的SymNet是基于源和目标任务分类器的对称设计，在此基础上，...
【2020年3月】计算机视觉/图像处理方向最新论文速递
Tiger数学之家的博客
04-09 2169
[检测分类相关]： 【1】 Supervised and Unsupervised Detections for Multiple Object Tracking in Traffic Scenes: A Comparative Study 交通场景中多目标跟踪的有监督和无监督检测的比较研究 作者：Hui-Lee Ooi, Nicolas Saunier 备注：Accepted for ICIAR...
最优传输系列（一）：最优传输入门及Monge-Kantorovitch Problem
lyy的博客
05-04 4210
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（六十六）：CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation
lyy的博客
03-18 4141
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
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 4130
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（
最优传输论文（四十九）：Teacher-Student Consistency For Multi-Source Domain Adaptation论文原理
lyy的博客
10-24 4121
文章目录前言摘要1 Introduction2 Related work3 Our approach4 Experimental evaluation4.1 Sentiment analysis代码 前言 文章来自2020年的CoRR 本文是本人领域自适应与最优传输系列论文的第49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 在多源域适配（MSDA）中，模型基
最优传输系列（二）：熵正则、拉格朗日问题与Sinkhorn算法
lyy的博客
05-05 2933
目录熵正则对偶问题Sinkhorn引用 熵正则 考虑加入熵正则化的Kantorovitch问题。 目标是得到使得成本最低的r(i,j)r(i,j)r(i,j)： 其中，h(r)h(r)h(r)定义如下： 这是论文中的写法，还有一种写法是： h(r)=−∑i,jr(i,j)(log(r(i,j))−1)h(r)=-\displaystyle\sum_{i,j} r(i,j)(log(r(i,j))-1)h(r)=−i,j∑​r(i,j)(log(r(i,j))−1) 可以看出二者之间差了一个-1，但是
最优传输论文（六十一）：MetaAlign: Coordinating Domain Alignment and Classification for UDA论文原理
lyy的博客
12-14 2930
文章目录前言摘要1. Introduction2. Related Work3. Proposed MetaAlign for UDA3.1. Recap of Alignment Based UDAs 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61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 对于无监督域适配（UDA），为
Probability Mass Function和Probability Density Function
lyy的博客
05-23 2918
分别是概率质量函数（PMF）和概率密度函数（PDF）。 前者，是离散随机变量在各特定取值上的概率。注意这在所有实数上，包括那些X不可能等于的实数值上，都定义了 fX(x)。在那些X不可能等于的实数值上， fX(x)取值为0 ( x ∈ R\S，取Pr(X = x) 为0)。以抛硬币为例： 后者，是连续变量的概率的变化率，在一定范围内积分可得对应区间的概率。 上图直观理解： PMF： 所有的函数值相加得1. PDF： 面积得1，也就是在此区间对函数值进行积分。 ...
最优传输论文（六十三）：Contrastive Adaptation Network for Unsupervised Domain Adaptation论文原理
lyy的博客
01-17 2573
文章目录前言摘要1. Introduction2. Related Work3. Methodology3. 1. 最大平均差异回顾3. 2. 对比域差异 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
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