(JGSA) Joint Geometrical and Statistical Alignment for Visual Domain Adaptation

最新推荐文章于 2022-08-04 20:45:17 发布
最新推荐文章于 2022-08-04 20:45:17 发布
阅读量1.5k 收藏 7
点赞数
分类专栏： 迁移学习论文 文章标签： 迁移学习 计算机视觉 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/u010556156/article/details/91602760
版权
该论文提出了一种统一框架，通过利用共享和领域特定特征，同时减少域之间的分布和几何偏差。学习两个耦合投影将源和目标数据映射到各自的子空间。投影后，最大化目标域数据的方差以保留其属性，保持源数据的判别信息以有效地转移类别信息，最小化源和目标域的边际和条件分布偏差以统计上减少域偏移，约束两个投影的偏差以几何上减少域偏移。
摘要由CSDN通过智能技术生成

2017 CVPR

官方代码：https://www.uow.edu.au/~jz960/

读完，感觉以下两点思想感觉和2018年的DICD有点相似之处：

  1. the variance of target domain is maximized,
  2. the discriminative information of source domain is preserved

但是DICD考虑的是作域变换之后数据之间的可分性，同类别距离小，不同类别距离大。

1 introduction

In this paper, we propose a unified framework that reduces the distributional and geometrical divergence between domains simultaneously by exploiting both the shared and domain specific features.

Specifically, we learn two coupled projections to map the source and target data into respective subspaces.

After the projections,

  1. the variance of target domain data is maximized to preserve the target domain data properties,
  2. the discrimi
最低0.47元/天 解锁文章
steadfastly
关注
专栏目录
【全文翻译】Domain Adaptation by Class Centroid Matching and Local Manifold Self-Learning
u014082928的博客
10-07 787
Incremental Learning Through Deep Adaptation摘要1 Introduction2 Related Work2.1 Multi-task Learning 摘要 对于一个已有的训练好的神经网络，人们通常希望学习新的能力而不妨碍已经学习的能力的表现。现有的方法要么学习次优解，需要联合训练，要么导致每个添加的域的参数数量显著增加，通常与原始网络一样多。我们提出一种深度自适应网络（DAN）的方法将新学习的过滤器限制为现有过滤器的线性组合。与标准的微调程序相比，DANs精确地
论文笔记：Doamin Adaptation——JGSA
xueliang
05-11 920
论文笔记：JGSA论文论文解读JGSA伪代码总结 论文 Jing Zhang, Wanqing Li, and Philip Ogunbona. 2017. Joint geometrical and statistical alignment for visual domain adaptation. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR’17). 论文解读 Joint
[cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation
MataFela的博客
08-30 2856
domain adaptation
迁移学习——Joint Geometrical and Statistical Alignment for Visual Domain Adaptation
SleepBuTa的博客
08-04 982
《Joint Geometrical and Statistical Alignment for Visual Domain Adaptation》学习 2017 CVPR 本文提出了一种用于跨域视觉识别的无监督域自适应算法。我们提出了一个统一的框架，可以在统计和几何上减少域之间的偏移，称为联合几何和统计对齐（JGSA）。 具体而言，我们学习了两种耦合投影，它们将源域和目标域数据投影到低维子空间中，在低维子平面中，几何位移和分布位移同时减少。目标函数可以以闭合形式有效求解。 大量实验证明，在合成数据集和三种
迁移学习代码实战
qq_19300283的博客
07-12 1359
实验证明，若不进行迁移学习， 从零开始训练模型花费较大， 并且往往拟合也较差，可能因为数据集太小
Analysis of Representations for Domain Adaptation
10-19
迁移学习中的经典理论分析 对深入理解迁移学习算法很有帮助
Domain Adaptation总结（2017.9）
MataFela的博客
09-03 2万+
有一篇论文（[cvpr2017]Joint Geometrical and Statistical Alignment for Visual Domain Adaptation ）对Domain Adaptation做了一定的总结，我直接把我当时的翻译抄一下： 常见的域适应包括基于实例（instance-based）的适应、基于特征表示( feature representation）的适应、
（十一：2020.08.28）CVPR 2017 追踪之论文纲要（译）
Jojo论文基地
08-28 3207
CVPR 2017 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。 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
CVPR2017论文摘要汇总
super_chicken的博客
04-09 1万+
1. Exclusivity-Consistency Regularized Multi-view Subspace Clustering Abstract: Multi-view subspace clustering aims to partition a set of multi-source data into their underlying groups. To boost the ...
迁移学习Adversarial-discriminative-domain-adaptation
12-09
作者提出了一个统一的无监督对抗域适应性框架，分别对三基本模型、是否权值共享、损失函数设计选择做出来讨论。dversarial-discriminative-domain-adaptation
一种联合概率匹配和基于LDA思想的领域自适应代码JGSA
12-11
该代码是针对于领域自适应问题，即迁移学习的一个分支，提出的一种基于联合领域分布匹配的算法，并且把LDA中最小化类内散度和最大化类间散度结合进去了，该算法能够讲一个领域中训练的分类器直接应用到另外一个领域，通过将二者投影到一个公共子空间。迁移学习是一个目前比较热门的问题，很好地解决了小样本问题，和避免了反复标注数据集的巨大损耗。
基于最大散度差鉴别准则的自适应分类算法
10-12
首先证明了，当类内散布矩阵非奇异时，特定参数值c0下最大散度差的最优鉴别方向等同于Fisher最优鉴别方向;其次，给出了最大散度差分类算法的识别率随参数C变化的曲线.该曲线通常为一脉冲曲线.随着参数C的增大，识别率也逐渐增大.当参数C增大到co时，识别率达到最大值.另外，以往的研究成果表明:当类内散布矩阵奇异时，最大散度差鉴别准则逐步逼近大间距线性投影准则.而且，随粉参数C的不断增大，最大散度差分类算法的识别率也单调增大并最终稳定到大间距线性投影分类算法的识别率上.为此，我们提出了基于最大散度差鉴别准则的自适应分类算法.新算法可以根据训练样本的特性(类内散布矩阵是否奇异)自动选择恰当的参数C.在UCI机器学习数据库上的6个数据集以及AR人脸图像数据库上的测试结果表明，自适应最大散度差分类算法具有良好的分类性能.
CVPR 2017论文集锦（论文分类）—— 附录部分翻译
热门推荐
dengheCSDN的博客
08-23 2万+
作为计算机视觉领域的三大顶级会议之一，CVPR 2017 又收录了很多优秀的文章。具体可参见 CVPR 的论文官网：http://www.cvpapers.com/cvpr2017.html        Machine Learning 1 （机器学习） Spotlight 1-1A  （关注的焦点 1-1 A） Exclusivity-Consistency Regular
用于部分迁移学习的加权对抗网络 | CVPR 2018论文解读
Paper weekly
04-12 1823
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。在这个栏目里，你会快速 get 每篇精选论文的亮点和痛点，时刻紧跟 AI 前沿成果。点击本文底部的「阅读原文」即刻加入社区，查看更多最新论文推荐。这是 PaperDaily 的第 60 篇文章本期推荐的论文笔记来自 PaperWeekly 社区用户 @jindongwang。本文是伍伦贡大学（University of Wo
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
xf__mao的博客
01-14 2万+
一、Domain adaptation 在开始介绍之前，首先我们需要知道Domain adaptation的概念。Domain adaptation，我在标题上把它称之为域适应，但是在文中我没有再翻译它，而是保持它的英文原意，这也有助于我们更好的理解它的概念。 Domain adaptation的目标是在某一个训练集上训练的模型，可以应用到另一个相关但不相同的测试集上。 对这个问题列
上手实践ICCV2013的JDA（Joint Distribution Adaptation）方法
zuoriqingkong的博客
04-18 5220
JDA 迁移学习 matlab
笔记：unsupervised domain adaptation by backpropagation
easylifer的专栏
03-30 1万+
这篇文章是结合对抗网络框架与深度学习技术解决domain adaptation应用的一个工作。
Domain generalization 简介
qrlhl的博客
04-11 9118
一、综述　　最近由于交流的需要，读了几篇关于Domain adaptation的文章，其中一种名叫Domain generalization的技术引起了我的注意，这种技术可以在target domain未知的情况下训练出分类器而且性能还相当不错，下面就对这种技术进行一下简单的介绍。二、迁移学习　　提到Domain adaptation，就不得不提到迁移学习（transfer learning），按照
geometrical e
最新发布
08-01
"geometrical e" 是数学中指的是一个常数，它作为自然对数的底数，被定义为2.71828...。它是一个无理数，即它不能表示为两个整数的比。geometrical e 最初在对数问题中发现，并在计算复利时被广泛使用。 geometrical e 在几何学中也有重要的应用。当我们考虑指数函数 y = A * e^kx 时，geometrical e 出现在其中。实际上，这个指数函数描述了很多自然现象的增长和衰减规律，例如细胞分裂，放射性衰变等。 在几何学中，指数函数的曲线具有独特的性质。它的导数等于它自身，也就是说，dy/dx = k * y。这意味着指数函数在每一个点上的斜率都与该点的函数值成比例。这种性质使得指数函数在模拟复杂的增长和衰减过程时非常有用。 此外，geometrical e 在复数平面上的表示也具有几何意义。复数形式为 x + iy 的指数函数 e^(x + iy) = e^x * (cos y + i sin y) 描述了以指数速度旋转的复数单位圆。这也展现了geometrical e 在几何学中的重要性。 总之，geometrical e 是一个重要的数学常数，它在数学、几何学和物理学等领域中都有广泛的应用。它的出现使得我们能够更好地理解自然现象和复杂的数学问题，并在解决问题时提供了有力的工具。
评论 3
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