Deep Visual Domain Adaptation: A Survey 深度域适应：调研

最新推荐文章于 2024-01-09 12:32:54 发布
最新推荐文章于 2024-01-09 12:32:54 发布
阅读量2.1k 收藏
点赞数 1
文章标签： domain adaption survey 域适应

论文地址: https://arxiv.org/abs/1802.03601

四个主要贡献。

首先，根据定义两个域如何分歧的数据属性，提出不同深度域适应场景的分类。

其次，基于训练损失将深度域适应方法概括为几个类别，并分析和比较这些类别下的最新方法。

第三，概述了超越图像分类的计算机视觉应用，例如人脸识别，语义分割和对象检测。

第四，强调了当前方法的一些潜在缺陷和未来的几个方向。

Domain adaption 分类

深度域适应

广义：使用了深度特征的浅层方法也属于深度方法

狭义：将DA嵌入深度特征表示的学习过程中

A:One-Step Domain Adaption

1

类标准：使用标签信息作为引领，在不同领域之间传输知识

统计标准: 使用一些数学方法进行数据分布的变化，通常使用MMD,CORAL，KL等

架构标准: 利用深度网络学习更多的可迁移的特征

几何标准: 利用几何特征把源域和目标域结合起来

2基于对抗网络的DA，让网络分不清你到底是从属于源域还是目标域，以减少两个域映射分布的距离

生成模型： GAN  使用源图片，噪音生成人造的目标域样例，同时保留源域注释信息

非生成模型： 特征提取器使用源域中的类信息提取一个特征，同时使用domain-confusion loss把目

标域映射到同一个特征空间

3基于重建的网络

GAN描述重建样例和图片之间的差异（重建误差）

 

Accepted 拓
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
deep-transfer-learning:深度域自适应算法的实现集合
05-03
在PyTorch上进行深度转移学习 这是用于深度迁移学习的PyTorch库。 我们将代码分为两个方面：单源无监督域自适应（SUDA）和多源无监督域自适应（MUDA）。 SUDA方法很多，但是我发现有一些深度学习的MUDA方法。 此外，具有深度学习的MUDA可能是领域适应性更广阔的方向。 在这里，我实现了一些深度传输方法，如下所示： UDA DDC：针对领域不变性的深度领域混淆最大化 DAN：通过深度适应网络学习可转让特性（ICML2015） Deep Coral：用于深域适应的Deep CORAL相关对齐（ECCV2016） Revgrad：通过反向传播进行无监督域自适应（ICML2015） MRAN：用于跨域图像分类的多表示自适应网络（Neural Network 2019） DSAN：用于图像分类的深度子域适配网络（神经网络和学习系统2020的IEEE交易） 慕达对齐特
DEEP DOMAIN ADAPTIVE OBJECT DETECTION: A SURVEY
weixin_36670529的博客
05-04 1145
摘要： 基于深度学习的目标检测获得了很大的方法。这些方法基本上假定可以获得大规模的训练标签，训练和测试数据服从理想的分布。然而这两个假设在实际中通常不满足。深度域适配目标检测做为一种新的学习范式开始出现，来解决上述问题。这篇文章旨在对最先进的域适配目标检测方法进行综述。首先，我们简要介绍域适配的概念。第二，深度域适配检测器可以分为四类，并提供了每个类别中有代表性的方法的详细说明。最后给出了将来的研究趋势。 1、简介 基于深度学习最先进的目标检测方法假定训练数据和测试数据来自同一个理想的分布。这些模型依
Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation
cassiePython的专栏
06-26 3335
ICML2019: Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation 引言 对抗学习在domain adaptation中常用于adapt源域和目标域特征的分布差异性。 但是在使用对抗学习时，是否会影响到分类效果呢，即我们学到的特征是否依然能保证可区...
深度域适应技术综述
lh16130130282的博客
11-26 2335
关于深度学习域适应的简单综述
接近人类智能！一文读懂计算机视觉中的深度域适应
读芯术的博客
07-31 1238
全文共4378字，预计学习时长8分钟 图片来源：pexels.com/@omarhouc 在过去十年里，人们在计算机视觉领域取得了巨大进步。这一进展主要归功于卷积神经网络（CNNs）。如果使用高质量带有注释的训练数据进行训练，卷积神经网络可以进行非常精确的预测。例如，在分类设置中，通常可以使用其中一种标准化网络体系架构（ResNet，VGG等），并使用数据集对其进行训练，其结果可能表现优异...
域适应学习笔记：visual Domain Adaptation
SusanZhang1231的博客
06-15 6528
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，所以根据上篇博客中的内容可知，域适应属于一种直推式迁移学习。它在2006年由Daumeaume等人首次提出[1]。 1.域适应的一些基本公式 源域由充足的带标签数据组成，目标域由不充足的带标签数据或者充足的无标签数据组成。且目标域
Deep visual domain adaptation: A survey
weixin_36670529的博客
02-15 4914
深度视觉域适配作为一个解决大量标注数据缺失的新的学习技巧而出现。与传统的学习共享特征子空间或使用浅层表示重用重要源实例的方法相比，深度域适应方法通过将域适应嵌入深度学习管道中，利用深度网络学习更多可迁移的表示。对于浅域适应的研究已经有了全面的调查，但很少及时回顾基于深度学习的新兴方法。在这篇论文中，我们提供了一个全面的调查深入领域适应方法的计算机视觉应用有四个主要贡献。首先，根据定义两个领域如何分化的数据属性，我们给出了不同深度领域适应场景的分类。其次，我们根据训练损失将深度领域适应方法归纳为若干类别，并对
人工智能多模态方向学习笔记-Deep Visual-Semanti算法
CSDNXXCQ的博客
03-20 468
Deep Visual-Semantic (DeViSE)是一种用于图像分类的算法，它使用了深度学习中的卷积神经网络 (CNN) 和词向量模型。它的主要目的是将图像和单词表示为相同的特征空间，以便可以将它们放在一起进行训练和分类。DeViSE算法的基本思想是将每个图像映射到一个固定长度的向量，这个向量被称为“视觉嵌入”（visual embedding）。同时，每个单词也被映射到一个固定长度的向量，这个向量被称为“语义嵌入”（semantic embedding）。
【DA】Deep Visual Domain Adaptation: A Survey（持续更新ing）
PRIS-SCMonkey的博客
03-29 2002
1. DA Overview2. Approaches of Deep DA2.1 Categorization of One-step DA2.1.1 Discrepancy-based DA：基于差异的DA2.1.2 Adversarial-based DA：基于生成的DA2.1.3 Reconstruction-based DA：基于重构的DA2.2 Categorization of M...
paper reading:域适应（domain adaption）-深度学习-迁移学习
mixiaoxinmiss的博客
05-07 9682
DA(domain adaption):当训练集与测试集之间的分布有差异时，学习一个易于区别的分类器。 参考文章：unsupervised domain adaption by backpropogation 1、需求： 有标签的训练数据量较小； 训练集与测试集数据分布的偏移； 2、关键点：构建源域与目标域之间的映射关系； 3、previous domain adaption：worked w
Domain Adaptation for Visual Recognition
01-07
Domain adaptation is an active, emerging research area that attempts to address the changes in data distribution across training and testing datasets. With the availability of a multitude of image acquisition sen- sors, variations due to illumination, and viewpoint among others, com- puter vision applications present a very natural test bed for evaluating domain adaptation methods. In this monograph, we provide a compre- hensive overview of domain adaptation solutions for visual recognition problems. By starting with the problem description and illustrations, we discuss three adaptation scenarios namely, (i) unsupervised adap- tation where the “source domain” training data is partially labeled and the “target domain” test data is unlabeled, (ii) semi-supervised adaptation where the target domain also has partial labels, and (iii) multi-domain heterogeneous adaptation which studies the previous two settings with the source and/or target having more than one domain, and accounts for cases where the features used to represent the data in each domain are different. For all these topics we discuss existing adaptation techniques in the literature, which are motivated by the principles of max-margin discriminative learning, manifold learning, sparse coding, as well as low-rank representations. These techniques have shown improved performance on a variety of applications such as object recognition, face recognition, activity analysis, concept clas- sification, and person detection. We then conclude by analyzing the challenges posed by the realm of “big visual data”, in terms of the generalization ability of adaptation algorithms to unconstrained data acquisition as well as issues related to their computational tractability, and draw parallels with the efforts from vision community on image transformation models, and invariant descriptors so as to facilitate im- proved understanding of vision problems under uncertainty.
A Survey on Deep Domain Adaptation and Tiny Object Detection
09-25
A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets.pdf
A Survey on Deep Domain Adaptation and Tiny Object Detection Cha
09-23
A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets.zip
awesome-domain-adaptation:关于domian适应的令人敬畏的东西的集合
04-01
很棒的域适应 这个仓库是关于领域适应的令人敬畏的东西的集合，包括论文，代码等。随意阅读。 内容 文件 民意调查 Arxiv 迁移学习综合调查 迁移适应学习：十年调查 单一来源无监督域适应的回顾 域适应和迁移...
论文笔记：Cluster Alignment with a Teacher for Unsupervised Domain Adaptation
01-06
Profile  最近因为个人需要看了一些 ... DADADA 有一个基本的解决思路就是：认为源域 SSS 与目标域 TTT 的边缘分布在高层语义空间是可以等价的，因此，致力于在高层隐空间拉近两个域的分布，设计为一个类似 min⁡θ
Domain Adaptation 相关介绍
..
01-09 482
Transfer learning 是机器学习的一个分支, 而 Domain adpatation 是 transfer learning 的一个分支.在 transfer learning 中有两个概念: source domain (源域) 和 target domain (目标域).源域中往往有丰富的信息, 比如有大量的数据点和其真实的标签;
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、
【论文笔记】Deep Visual-Semantic Alignments for Generating Image Description
Issac's Blog
03-09 3837
虽然是两年前的一篇论文了，但AK留给大家以供学习的代码依然广为流传（neuraltalk,neuraltalk2）感谢AK大神对我们这些newbie们铺的路。。但怎么能只会使用不懂原理呢？查了一下发现网上对这篇论文的解释却十分鲜有。虽然说文章中特别有新意的地方个人感觉确实也不是很多，但思路还是蛮清晰的，有很大的启发意义，也是值得一读。下面跟大家分享一下我对这篇文章的理解以及自己的一些想法吧～如有不对
【深度学习】论文导读：无监督域适应（Deep Transfer Network: Unsupervised Domain Adaptation）
热门推荐
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
cvpr 2019之迁移学习:contrastive adaptation network for unsupervised domain a
最新发布
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...

“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
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