CtrlZ1
浮天水送无穷树,带雨云埋一半山。
展开
-
领域自适应论文(七十):Federated Adversarial Domain Adaptation
文章来自2020年的ICLR本文是本人领域自适应与最优传输系列论文的第70篇,所有系列论文的相关代码在Star哦~联邦学习提高了在分布式设备网络上进行机器学习的数据隐私性和效率,如手机、物联网和可穿戴设备等。然而,由于域漂移的问题,使用联邦学习训练的模型仍然不能推广到新设备。当源节点收集的标记数据在统计上与目标节点的未标记数据不同时,就会发生域转移。在这项工作中,我们提出了一个原则性的方法来解决联合域适应的问题,其目的是使在不同节点之间学习到的表示与目标节点的数据分布保持一致。我们的方法将对抗适应。....原创 2022-08-28 15:07:48 · 1422 阅读 · 1 评论 -
领域自适应论文(六十八):Implicit Class-Conditioned Domain Alignment for Unsupervised Domain Adaptation论文原理
文章目录前言摘要Introduction2. Preliminaries3.Method3.1. Theoretical Motivations3.2. Implicit Class-Conditioned Domain Alignment3.2.1. CLASS-ALIGNEDSAMPLINGSTRATEGY3.2.2. INTEGR ATING IMPLICIT ALIGNMENT INTO CLASSIFIER-BASED DOMAIN DISCREPANCY MEASURE前言文章来自202原创 2022-03-20 17:46:16 · 1372 阅读 · 0 评论 -
领域自适应论文(六十七):Your Classifier can Secretly Suffice Multi-Source Domain Adaptation论文原理
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(原创 2022-03-19 16:12:11 · 4003 阅读 · 0 评论 -
领域自适应论文(六十六):CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation
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~摘要无监督领域原创 2022-03-18 15:40:30 · 3868 阅读 · 2 评论 -
领域自适应论文(六十五):Unsupervised Domain Adaptation through Self-Supervision论文原理
文章目录前言摘要1.介绍2 RELATED WORK2.1 UNSUPERVISED DOMAIN ADAPTATION2.2 SELF-SUPERVISED FEATURE LEARNING3 DESIGNING SELF-SUPERVISED TASKS FOR ADAPTATION4 METHOD4.1用于超参数调整和提前停止的启发式前言文章来自2019年的CoRR本文是本人领域自适应与最优传输系列论文的第65篇,所有系列论文的相关代码在https://github.com/CtrlZ1/D原创 2022-03-17 22:37:47 · 578 阅读 · 0 评论 -
最优传输论文(六十四):Gradually Vanishing Bridge for Adversarial Domain Adaptation论文原理
文章目录前言摘要1. Introduction2.相关工作3. Method3.1. Adversarial Domain Adaptation3.2. Gradually Vanishing Bridge on Generator3.3. Gradually Vanishing Bridge on Discriminator4. Experiment4.1. Datasets and Settings4.2. Results4.3. Qualitative Validation前言文章来自2020原创 2022-02-15 14:20:52 · 510 阅读 · 0 评论 -
最优传输论文(四十六):Mutual Learning Network for Multi-Source Domain Adaptation论文原理
文章目录前言摘要1. Introduction2. Related Work3. Mutual Learning Network for MSDA3.1. Conditional Adversarial Feature Alignment3.2. Semi-Supervised Prediction Loss3.3. Guidance Network Centered Mutual Learning3.4. Overall Learning Problem and Prediction4. Experime原创 2022-01-25 13:33:14 · 514 阅读 · 0 评论 -
最优传输论文(六十三):Contrastive Adaptation Network for Unsupervised Domain Adaptation论文原理
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。以前的原创 2022-01-17 16:44:33 · 2274 阅读 · 0 评论 -
最优传输论文(六十二):Aligning Domain-specific Distribution and Classifier for Cross-domain Classification论文原理
文章目录前言摘要IntroductionRelated WorkMethodTwo-stage alignment Framework特定于域的分布对齐特定领域分类器对齐多特征空间自适应网络ExperimentsData PreparationBaselines and Implementation DetailsResultsAnalysis结论代码前言文章来自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/Ct原创 2022-01-14 20:39:56 · 1863 阅读 · 0 评论 -
最优传输论文(六十一):MetaAlign: Coordinating Domain Alignment and Classification for UDA论文原理
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),为原创 2021-12-14 11:17:33 · 2889 阅读 · 0 评论 -
最优传输论文(五十七):Domain Attention Consistency for Multi-Source Domain Adaptation论文原理
文章目录前言摘要1 Introduction2 Related Work3 Methodology3.1 Problem Formulation3.2 Domain Attention Consistency3.3 Discriminative Feature Learning3.4 Training4 Experiments4.1 Experimental Setting总结代码前言文章来自2021年的BMVC本文是本人领域自适应与最优传输系列论文的第57篇,所有系列论文的相关代码在https:原创 2021-11-19 22:46:34 · 544 阅读 · 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,给个原创 2021-11-13 19:43:10 · 1004 阅读 · 0 评论 -
最优传输论文(五十四):Co-regularized Alignment for Unsupervised Domain Adaptation
文章目录前言摘要1 Introduction2 Formulation2.1 Domain Alignment2.2 Co-regularized Domain Alignment前言文章来自2018年的NIPS本文是本人领域自适应与最优传输系列论文的第54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~摘要使用大量标记数据训练的深层神经网络,在使用分布不同于原创 2021-11-09 13:04:38 · 363 阅读 · 0 评论 -
最优传输论文(五十一):Learning to Combine: Knowledge Aggregation for Multi-Source Domain Adaptation论文原理
文章目录前言摘要1 Introduction2 Related Work3 Method3.1 Motivation and Overview3.2 Learning to Combine for MSDA前言文章来自2020年的ECCV本文是本人领域自适应与最优传输系列论文的第51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~摘要将从多个源领域学到的知识转原创 2021-11-02 16:47:42 · 435 阅读 · 0 评论 -
最优传输论文(四十七):Curriculum manager for source selection in multi- source domain adaptation论文原理
文章目录前言摘要1 Introduction前言文章来自2020年的ECCV本文是本人领域自适应与最优传输系列论文的第47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~摘要多源无监督域自适应的性能在很大程度上取决于标记源域样本传输的有效性。在本文中,我们提出了一种对抗性代理,它学习源样本的动态课程,称为源选择课程管理器(Curriculum Manager原创 2021-10-28 20:09:51 · 527 阅读 · 1 评论 -
最优传输论文(四十九):Teacher-Student Consistency For Multi-Source Domain Adaptation论文原理
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,模型基原创 2021-10-24 12:27:20 · 3979 阅读 · 0 评论 -
最优传输论文(四十八):Transferable Attention for Domain Adaptation论文原理
文章目录前言摘要IntroductionRelated WorksTransferable Attention for Domain AdaptationTransferable Local AttentionTransferable Global AttentionTransferable Attention for Domain AdaptationExperiments and ResultsSetup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48篇,所有系列原创 2021-10-23 19:52:25 · 1616 阅读 · 0 评论 -
最优传输论文(四十五):Moment Matching for Multi-Source Domain Adaptation论文原理
文章目录前言摘要1. Introduction2. Related Work3. The DomainNet dataset4. Moment Matching for Multi-Source DA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45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~摘要传统的无监督域自适应(UDA)假原创 2021-10-20 23:06:48 · 808 阅读 · 0 评论 -
最优传输论文(四十四):Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift原理
文章目录前言摘要1. Introduction2. Related Work3. Problem Setup4. Deep Cocktail Network4.1. Architecture4.2. Learning4.2.1 Multi-way Adversarial Adaptation4.2.2 Target Discriminative Adaptation5. Experiments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44篇,所有系列论文的相关代码在原创 2021-10-17 16:06:46 · 696 阅读 · 0 评论 -
最优传输论文(四十三):Unsupervised Multi-source Domain Adaptation Without Access to Source Data论文原理
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方法都假设原创 2021-10-16 10:02:06 · 555 阅读 · 0 评论 -
最优传输论文(四十二):Dynamic Transfer for Multi-Source Domain Adaptation论文原理
文章目录前言摘要前言文章来自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42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...原创 2021-10-14 15:17:29 · 621 阅读 · 0 评论 -
最优传输论文(四十一):Adversarial Multiple Source Domain Adaptation论文原理
文章目录前言摘要1 Introduction2 Preliminary3 Generalization Bound for Multiple Source Domain Adaptation前言文章来自2018年的NIPS本文是本人领域自适应与最优传输系列论文的第41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~摘要虽然领域自适应已经得到了积极的研究,但大多原创 2021-10-11 15:35:09 · 805 阅读 · 0 评论 -
最优传输论文(四十):Conditional Adversarial Domain Adaptation论文原理
文章目录前言摘要1 Introduction2 Related Work3 Conditional Adversarial Domain Adaptation前言文章来自2018年的NIPS本文是本人领域自适应与最优传输系列论文的第40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~摘要对抗性学习被嵌入到深度网络中,以学习解纠缠和可转移的表示,实现领域自适应。原创 2021-10-09 17:29:14 · 805 阅读 · 0 评论 -
最优传输论文(三十九):Transferable Semantic Augmentation for Domain Adaptation论文原理
文章目录前言摘要1. Introduction2. Related Work2.1. Feature Adaptation2.2. Classifier Adaptation3. Transferable Semantic Augmentation3.1. Motivation and Preliminaries3.2. Cross-Domain Semantic Augmentation3.2.1 Class-wise Overall Semantic Guidance前言文章来自2021年的CV原创 2021-10-05 21:49:49 · 473 阅读 · 0 评论 -
关于ot.bregman
很遗憾数学能力不够,相关的论文无从看起,这里简单写一下每个函数的作用的吧,到时候直接调包吧,心累。下面是可用的:1.2.和1的区别就是1返回的是运输矩阵,2返回的是损失。因为b是三列一样的测度,所以返回的损失是三个一样的值。3.4.5.默认情况下,当使用不太小的正则化参数时,默认的 sinkhorn 求解器应该足够了。 如果您需要使用小正则化以获得更清晰的 OT 矩阵,您应该使用:any:ot.bregman.sinkhorn_stabilized 求解器将避.原创 2021-10-01 11:23:53 · 159 阅读 · 0 评论 -
关于ot.lp
文章目录关于ot.lp关于ot.lp这一块想了很久,我决定不放代码了,emd出处的文章说实话,不建议计算机的同学去阅读,其实这部分最优传输的理论论文大多都是数学领域的,确实很不友好,而且知道其原理的帮助也不大,本身数学知识匮乏的情况下很难开发出新的数学方法,只能是用已经发现的方法。所以说这部分其实知道每个函数具体怎么用就行。emd的python源码里关键计算部分emd_c并没有给出,好像是使用的C++的解算器,当然,数学知识匮乏的我们也不需要去了解,只需要知道去使用ot.emd就好了。所以这部分不原创 2021-09-30 19:04:04 · 166 阅读 · 0 评论 -
结合论文Smooth and Sparse Optimal Transport的ot.smooth相关api解释
文章目录前言源码解析前言论文来自2018年的AISTATS论文Smooth and Sparse Optimal Transport所讲述的内容已经被包装在了POT库中,源码是ot.smooth,本文章将结合论文对源码进行整体讲解,而不是精确的推演公式,只是让大家知道哪个api是用来做什么的,从而学会在代码中使用该论文的成果。源码网址:源码解析代码:class Regularization(object): """Base class for Regularization原创 2021-09-30 15:02:36 · 167 阅读 · 0 评论 -
最优传输论文(三十八):Smooth and Sparse Optimal Transport论文原理
文章目录前言摘要1 Introduction前言文章来自2018年的AISTATS本文是本人迁移学习与最优传输系列论文的第38篇,所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms,该github是以模型为单位的,如果想以项目为单位,请移步:https://github.com/CtrlZ1/Domain-Adaptive-CodeBase,希望各位大佬们不吝点赞,给个Star哦~摘要熵正则化正迅速成为最优原创 2021-09-29 15:51:00 · 254 阅读 · 0 评论 -
最优传输论文(三十七):GCAN: Graph Convolutional Adversarial Network for Unsupervised Domain Adaptation论文原理
文章目录前言摘要1. Introduction2. Related Work3. Our Approach3.1. Notations and Definitions3.2. Graph Convolutional Adversarial Network3.2.1 域对齐3.2.2 Structure-aware Alignment3.2.3 Class Centroid Alignment3.3. Discussion4. Experiments4.1. Datasets总结前言文章来自2019年原创 2021-09-26 23:41:38 · 435 阅读 · 0 评论 -
最优传输论文(三十六):Coupled generative adversarial networks论文原理
文章目录前言摘要1 Introduction2 Generative Adversarial Networks3 Coupled Generative Adversarial Networks4 ExperimentsApplications结论代码前言文章来自2016年的NIPS本文是本人迁移学习与最优传输系列论文的第36篇,所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms,该github是以模型为单位的,如果想原创 2021-09-18 14:15:15 · 191 阅读 · 0 评论 -
最优传输论文(三十五):Adversarial Discriminative Domain Adaptation论文原理
文章目录前言摘要1. Introduction2. Related work3.广义对抗适应3.1. Source and target mappings3.2. Adversarial losses4. Adversarial discriminative domain adaptation5. Experiments5.1. MNIST, USPS, and SVHN digits datasets5.2. Modality adaptation5.3. Office dataset6. Conclus原创 2021-09-16 12:03:52 · 506 阅读 · 0 评论 -
最优传输论文(三十四):Domain Adaptation With Auxiliary Target Domain-Oriented Classifier论文原理
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34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~摘要领域适应(DA)的目标是将知识从标签丰富但异构的领域转移到标签稀缺的领域,从而减轻标记工作并引起广泛关注。与以往侧重于学习领域不变特征表示的方法不同,最近的一些方法提出了通用半监督学习原创 2021-09-13 14:27:26 · 624 阅读 · 0 评论 -
最优传输论文(三十二):Deep multi-Wasserstein unsupervised domain adaptation论文原理
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,原创 2021-09-10 20:19:22 · 264 阅读 · 0 评论 -
最优传输论文(三十三):Joint Partial Optimal Transport for Open Set Domain Adaptation论文原理
文章目录前言摘要1 Introduction2 Related Work3 方法论3.1 Partial Optimal Transport前言文章来自2020年的IJCAI本文是本人领域自适应与最优传输系列论文的第33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~摘要域自适应(DA)通过利用来自源域的标记数据来适应未标记的目标域,在学习好的分类器方面取得了原创 2021-09-08 23:11:33 · 428 阅读 · 0 评论 -
最优传输论文(三十一):Normalized Wasserstein for Mixture Distributions with Applications in Adversarial Le论文原理
文章目录前言摘要1. Introduction2.归一化瓦瑟斯坦测度3. Theoretical Results4.域适应中的标准化Wasserstein4.1. UDA for supervised tasks4.1.1 MNIST→MNIST-M4.1.2 VISDA4.1.3模式平衡数据集4.2. UDA for unsupervised tasks5.归一化的Wasserstein GAN前言文章来自2019年的ICCV本文是本人领域自适应与最优传输系列论文的第31篇,所有系列论文的相关代原创 2021-09-07 14:54:39 · 183 阅读 · 0 评论 -
最优传输论文(二十九、三十、三十一)总结
文章目录前言介绍共同点不同点总结前言本文属于个人对于最优传输系列第29、30、31篇论文的联合总结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~介绍第30篇论文:Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domai时间:2017主题:源域样本加原创 2021-09-05 21:41:05 · 293 阅读 · 0 评论 -
最优传输论文(三十):Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised Domai论文原理
文章目录前言摘要1. Introduction2. Preliminaries and Related Work2.1. MMD and Its Application in Domain Adaptation2.2. Metrics for Domain Discrepancy3. Weighted Maximum Mean Discrepancy4. Weighted Domain Adaptation Network5. Experiments5.1. Comparison with State-of原创 2021-09-03 10:57:28 · 339 阅读 · 0 评论 -
最优传输论文(二十九):Re-weighted Adversarial Adaptation Network for Unsupervised Domain Adaptation论文原理
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原创 2021-09-03 10:37:35 · 319 阅读 · 0 评论 -
最优传输论文(二十六):Sliced Wasserstein Discrepancy for Unsupervised Domain Adaptation论文原理
文章目录前言摘要1.介绍2.Related Work3. Method3.1. Framework Setup3.2.最优运输和瓦瑟斯坦距离3.3. Learning with Sliced Wasserstein Discrepancy4. Experiments4.1.数字和符号识别前言文章来自2020年的AAAI本文是本人迁移学习与最优传输系列论文的第26篇,所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms,原创 2021-08-31 16:01:54 · 760 阅读 · 0 评论 -
最优传输论文(二十七):Maximum classifier discrepancy for unsupervised domain adaptation论文原理
文章目录前言摘要1.介绍2.Related Work3.Method3.1. Overall Idea3.2. Discrepancy Loss3.3. Training Steps3.4. Theoretical Insight4. Experiments on Classification4.1. Experiments on Toy Datasets4.2. Experiments on Digits Datasets6.Conclusion代码前言文章来自2018年的CVPR本文是本人领域原创 2021-08-31 15:59:37 · 495 阅读 · 1 评论