domain adaption(DA) 、UDA

最新推荐文章于 2024-10-31 10:35:25 发布
原创 最新推荐文章于 2024-10-31 10:35:25 发布 · 459 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#机器学习

本文探讨了无监督领域自适应在迁移学习中的作用，旨在减小源域和目标域之间的特征分歧。传统的领域自适应方法通常尝试整体对齐两个域，而本文则提出在类别和样本粒度上进行更精细的分歧减小，以提升目标域模型的性能，特别是在语义分割任务中的表现。

在阅读 Self-supervised Augmentation Consistency for Adapting Semantic Segmentation 时，突然发现不太清楚无监督领域自适应

领域自适应

  • 迁移学习中的一种代表性方法，利用源域的丰富样本提升目标域模型的性能。问题：他们的分布不同。不同阶段的方法不同[1]

无监督领域自适应

  • 领域自适应的关键是如何减小source和target的特征的分歧。现有的方法直接align source和target的整体分布，忽略了细粒度的domain gap。本文提出在类别和样本的粒度上减小领域的分歧。[2]

Reference

[1] https://blog.csdn.net/u013841196/article/details/80956828
[2] https://zhuanlan.zhihu.com/p/88814945

【迁移学习】PointDAN: A Multi-Scale 3D Domain Adaption Network for Point Cloud Representation
毛毛的博客
10-24 2502
文章目录前言摘要1.介绍2.相关工作2.1 3D Vision Understanding2.2 Unsupervised Domain Adaptation (UDA)3.Model3.1 Problem Definition and Notation3.2 Local Feature Alignment3.3 Global Feature Alignment3.4 训练过程4.结果4.1 KITTI上的BEV目标检测5.总结 前言 1. 为什么要做这个研究？ 2. 实验方法是什么样的？ 3. 得到了
Learning to detect open classes for universal domain adaption
qq_39121684的博客
01-31 562
摘要 UDA转移域间知识，不需标签集的任何限制，扩展了域适应的可用性。UDA中，源、目标标签集可能具有单独的标签不被另一个域共享。UDA挑战：对抗域偏移，分类共享类中的目标样本，更突出的：将单独的目标标签集（开放类）中的目标样本标记为"unknown"。这两个挑战使UDA成为一个高度未探究的问题。之前的UDA工作集中于共享类中数据的分类，使用每个类的准确率作为评价度量，错误地偏移了共享类的准确率。 然而，准确地检测开放类是一个关键的任务来使得真实的通用域适应成功。进一步将UDA问题转为一个良好的闭集域适应问
领域自适应 DA Domain Adaptation
02-27 905
领域自适应相关内容梳理
域适应（Domain Adaptation,DA）
hxxjxw的博客
08-12 1888
域适应，Domain Adaptation，DA 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）。 比如说，我们要实现一个自动区分垃圾邮件的算法。源数据是我的邮箱中的数据。现在要用这个算法对我朋友邮箱中的邮件进行分类。那么这就是两个任务相同，数据分布不同的任务了。 域适应是一种特殊的迁移学习 ...
Self-supervised Augmentation Consistency for Adapting Semantic Segmentation
stdleohao的博客
10-09 1219
Self-supervised Augmentation Consistency for Adapting Semantic Segmentation Abstract 目的 pratical and highly accurate；实用并且高精度 之前的方法 adversarial objectives, networkensembles style transfer 我们的方法 标准的数据增强 – photometric noise, flipping and scaling 并且确保在这些图
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
域适应（Domain Adaptation, DA）、域泛化（Domain Generalization, DG）和测试时域适应（Test Time Adaptation, TTA）之间的区别与联系
m0_63294504的博客
10-31 2314
域适应（Domain Adaptation, DA）、域泛化（Domain Generalization, DG）和测试时域适应（Test Time Adaptation, TTA）是迁移学习领域中处理分布差异的三个重要概念，它们既有联系也有区别
Hard Class Rectification for Domain Adaption域适应中的硬类修正
qq_39121684的博客
07-04 479
摘要 域适应从标签丰富和相关的域（源域）转移知识到标签稀少的域（目标域）。伪标签最近用于DA，但这一类研究仍限于伪标签不准确。本文，深入探究类内性能的不平衡性，发现类间差的性能很有可能在伪标签中进一步恶化。不仅损害整体性能而且限制了DA的应用。本文HCRPL：（1）提出自适应预测校正（APC），来校正目标样本的预测。（2）进一步考虑被校正的目标样本的预测，尤其对于那些被分到硬类的（对扰动很敏感）。为防止样本被很容易误分类，引入了暂时集（TE）和自集合（SE）来得到一致的预测。 提出的方法在UDA和半监督域适
DARE-GRAM : Unsupervised Domain Adaptation Regression by Aligning Inverse Gram Matrices
weixin_44858740的博客
04-09 1016
Dare-gram：通过对齐逆Gram矩阵的无监督域适应回归
GAN & domian adaptation
slzlincent的博客
11-30 866
GAN 发展：domain 变多 DC GAN cycle GAN Combo GAN Star GAN DA： 基于分布对齐， 基于 对抗等等 一般：one source one target multi-source domain adaptation multi-target domain adaptation
supervised domain adaption
weixin_42232024的博客
11-11 392
1、介绍 Adaptive Device-free Localization in Dynamic Environments through Adaptive Neural Networks由于WiFi信号容易受到各种环境的影响因子、CSI指纹随环境变化而显著变化。因此，本地化模型为原始环境在变化的环境中急剧退化。重新校准整个感兴趣的区域是劳动密集、耗时。这是无设备WiFi本地化的一大挑战。为了缓解这个问题，本文提出了AdapLoc方法，目的是使原始定位模型适应变化的环境大大减少了重新校准的工作量。Adap
Self-supervised Augmentation Consistency：语义分割的自监督增强一致性
gitblog_00258的博客
09-27 944
Self-supervised Augmentation Consistency：语义分割的自监督增强一致性 项目介绍 Self-supervised Augmentation Consistency for Adapting Semantic Segmentation 是一个在CVPR 2021上发表的开源项目，由Nikita Araslanov和Stefan Roth共同开发。该项目通过自监督...
域自适应相关论文
weixin_42678562的博客
06-09 1246
刚刚接触域自适应方向，相关论文和代码如下：
有关UDE(Unsupervised Domain Expansion)以及UDA，DG的思考与调研
一只星期八
05-23 2654
一.DE的与其他相近概念的区别 在相同任务的前提下，域扩张与其他几个相似概念的区别： 概念 解释 阶段 训练 测试 域泛化(Domain Generalization) 域泛化的目标是从一个或多个不同但相关的域学习一个模型，该模型能很好地在未见过的域泛化 域适应(Domain Adaptation) 利用源域数据标签与目标域数据训练一个模型，使得模型在目标域表现的性能更好 域扩张(Domain Expansion) 利用源域数据标签与目标域数据训练一个模型，使得模型在源域
语义分割、域适应相关论文
stdleohao的博客
12-02 2026
2021语义分割、域适应、无监督
CVPR2021-语义分割调研
qq_41924554的博客
05-12 5591
语义分割调研（2021） 一、 Rethinking BiSeNet For Real-time Semantic Segmentation · Paper: https://arxiv.org/abs/2104.13188 · Code: https://github.com/MichaelFan01/STDC-Seg 文章归类：图像分割，网络结构创新，实时 主体思想： 1、希望利用网络结构的改造，来弥补“感受野”受限的不足，因此BiSeNet的网络结构拥有两条主线“Spatial Pa
无监督域适应 （UDA）（1）
05-09 6073
经典机器学习假设训练集和测试集来自相同的分布。然而，这个假设在现实世界的应用程序中可能并不总是成立，例如，数据来源不同。这种情况下，域分布之间会存在差异，直接将训练好的模型应用于新数据集可能会导致性能下降。本贴主要讨论（有标签的源域、无标签的目标域）。
(论文解读)Domain Adaptation via Prompt Learning
m0_54248968的博客
08-25 1944
无监督域适应( UDA )旨在将从带有标签的源域数据中学习到的模型适应到未标注的目标域数据集。现有的UDA方法通过对齐源域和目标域特征空间来学习领域不变特征。这种对齐是通过约束实现的，例如统计差异最小化或对抗学习。然而，这些约束会导致语义特征结构的扭曲和类别判别性的丧失。本文提出一种新的UDA提示学习范式，命名为基于提示学习的领域自适应( Domain Adaptation via Prompt Learning，DAPL )。
2020年 ICLR 国际会议最终接受论文(poster-paper)列表(二)
yinizhilianlove的博客
02-21 1万+
来源：AINLPer微信公众号（点击了解一下吧） 编辑: ShuYini 校稿: ShuYini 时间: 2020-02-21     2020年的ICLR会议将于今年的4月26日-4月30日在Millennium Hall, Addis Ababa ETHIOPIA（埃塞俄比亚首都亚的斯亚贝巴 千禧大厅）举行。     2020年ICLR会议（Eighth International Con...
Activate Learning for domain adaption： An Energy-Based Approach
最新发布
10-03
由于没有关于“Activate Learning for domain adaption: An Energy - Based Approach”的具体引用内容，下面结合专业知识进行介绍。 主动学习（Active Learning）是一种机器学习范式，其核心思想是让模型主动地选择...
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
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