【数据集】计算机视觉领域自适应Domain Adaptation常用数据集

最新推荐文章于 2024-03-24 23:28:14 发布
最新推荐文章于 2024-03-24 23:28:14 发布
阅读量750 收藏 1
点赞数 1
分类专栏： 领域自适应(Domain Adaptation) 文章标签： 迁移学习 人工智能 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/weixin_42126945/article/details/124366150
版权

Office-Home:
https://www.hemanthdv.org/officeHomeDataset.html

DomainNet：
http://ai.bu.edu/M3SDA/

Transfer Learning Datasets and Benchmark：
https://github.com/jindongwang/transferlearning/tree/master/data#office-31

49号西瓜
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
OfficeHome数据集标签文件
03-26
Office-Home数据集是一种用于评估基于域自适应的深度学习算法的数据集，包含了在办公环境和家庭中常见的65类目标图像。该数据集中的4个领域之间的域差异较大，数据集规模也比前一个数据集要大。Office-Home数据集由来自4个不同领域的图像组成，包括Art (Ar)、Clipart (Cl)、Product (Pr)和Real World (Rw)。其中，Art领域包括素描、绘画、装饰品等形式的艺术图像，共2427张图像；Clipart领域包括各种剪贴画图像，共4365张图像；Product领域包括4439张无背景物体图像；RealWorld领域包括普通相机拍摄的物体图像，共4357张图像。 本资源包含Art (Ar)、Clipart (Cl)、Product (Pr)和Real World (Rw)的label文件。
OfficeHome-RealWorld部分数据集
11-24
OfficeHome图像数据集RealWorld部分，无Art、Clipart、Product三部分
目标检测算法——图像分类开源数据集汇总（附下载链接）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-05 3864
目标检测算法——图像分类开源数据集汇总（附下载链接）。近期，小海带在空闲之余，收集整理了一批图像分类数据集供大家参考。整理不易，小伙伴们记得一键三连喔！！！
用pandas处理office数据集（例一）（csv→txt）
zhao254014的博客
09-16 443
记录日常处理数据时的过程，按需索取，仅供参考
CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化
ssshyeong的博客
09-13 2221
我们在深度神经网络中提出了一种新的基于领域特定批归一化的无监督领域自适应框架。我们的目标是通过在卷积-卷积神经网络中专门化批归一化层，同时允许它们共享所有其他模型参数，从而适应这两种领域，这是通过两阶段算法实现的。在第一阶段，我们使用外部无监督域自适应算法(例如ample, MSTN[27]或CPUA[14])来估计目标域中示例的伪标签，该算法集成了提出的特定于域的批处理归一化。第二阶段使用源和目标域的多任务分类损失学习最终模型。注意，两个域在两个阶段都有单独的批处理规范化层。
OfficeHome-Art、Clipart、Product部分数据集
11-24
OfficeHome图像数据集Art、Clipart、Product三部分，无realworld数据集部分
Office-Caltech数据集
11-03
"Office-Caltech数据集"是计算机视觉和机器学习领域中一个重要的跨域适应（Domain Adaptation）研究的数据集合。这个数据集主要用于评估算法在不同视觉环境下的泛化能力，特别是当训练数据和测试数据分布不一致时。...
A Survey on Deep Domain Adaptation and Tiny Object Detection Cha
09-23
深度领域适应（Deep Domain Adaptation, DDA）与微小物体检测（Tiny Object Detection）是当前计算机视觉领域中的两个重要研究方向。这篇论文的标题暗示了作者将对这两个主题进行深入探讨，包括面临的挑战、技术手段...
ICCV 2021 广义源无关领域自适应
01-25
近年来，计算机视觉领域的研究一直在不断推进，为了更好地解决领域自适应的问题，ICCV 2021发表了一篇名为《Generalized Source-free Domain Adaptation》的论文。该论文采用了基于PyTorch 1.3和CUDA 10.0的代码，...
Q769692 Office-home数据集 OfficeHomeDataset_10072016.part1.rar (1of2)
07-20
Q769692 Office-home数据集 OfficeHomeDataset_10072016.part1.rar (1of2) https://ask.csdn.net/questions/769692 http://hemanthdv.org/OfficeHome-Dataset/
Q769692 Office-home数据集 OfficeHomeDataset_10072016.part2.rar (2of2)
07-20
Q769692 Office-home数据集 OfficeHomeDataset_10072016.part2.rar (2of2) https://ask.csdn.net/questions/769692 http://hemanthdv.org/OfficeHome-Dataset/
OfficeHomeDataset_Real World.zip
12-08
Office_Home数据集其中一部分Real World，参考http://hemanthdv.org/OfficeHome-Dataset/，其他部分数据集参考https://download.csdn.net/download/weixin_42142509/13543779
迁移学习数据集百度云盘地址
03-23
文本编辑器打开md文件，内部有Office+Caltech、Office-31、Office-Home、Caltech101、SUN09、COIL20、PIE等多个数据集的百度云下载地址
OfficeHomeDataset_Aet_Clipart_Product.zip
12-08
Office_HomeDataset数据集，参考参考http://hemanthdv.org/OfficeHome-Dataset/，只有Aet、Clipart、Product，只能1GB，Real World另外传
dwt-domain-adaptation:论文代码“使用特征白化和共识丢失的无监督域自适应”（CVPR 2019）
05-06
OfficeHome：在其上运行的实验数据集首先需要下载该数据集页面。 完成此步骤后，您将需要下载ResNet50预训练的检查点，该检查点在ImageNet上进行了训练，而BatchNorm层（在第一个转换层和第一个Res块中）被变白了...
Domain Adaptation for Medical Image Analysis A Survey.pdf
09-25
此外，我们还简要总结了支持当前领域适应研究的一些基准医学图像数据集，如MNIST-M、Office-31以及各种医学影像数据集，如ChestX-ray8、MIMIC-CXR等。这些数据集提供了丰富的领域差异环境，以便于评估和比较不同领域...
MATLAB函数gensurf,利用Matlab自带的bagOfFeatures函数抽取图像的SURF+BOW特征（以Office-Home数据集为例）...
weixin_36462094的博客
03-16 758
前言最近在做有关迁移学习的实验时需要对Office-Home数据集进行SURF+BOW特征的抽取，遂查找了一下相关博客，发现Matlab自身集成了bagOfFeatures函数，可以十分方便地进行特征抽取，因此决定将其过程记录一下，希望可以帮助到以后遇到同样问题的小伙伴～P.S. 此博客不对SURF+BOW特征进行讲解，如需了解具体过程请自行搜索其他博客进行学习。)2、Office-Home数据...
SFDA~
最新发布
whaosoft143ai的博客
03-24 116
第二步， 为了实现通用知识可靠的迁移，我们引入了最可能类别约束和预测一致性约束，这些约束使得目标域模型能够在logit空间中识别出最可能的类别标签，等价地引入类别显然分布，同时保持目标模型和ViL 模型的预测一致性，来实现小尺度的精细分类。在这里，最可能类别标签是由记忆感知预测器给出，该预测器以累积的方式动态存储并更新来自目标模型和 ViL 模型的知识。为了解决这个问题，受群体学习的思想启发，我们将ViL模型和目标域模型的输出看作两堆具有智慧的群体，用它们之间的互动与交流，作为弱监督信号，来实现无偏学习。
用迁移学习的领域自适应从源域数据集提取样本到目标域pytorch
05-31
在PyTorch中，可以使用以下步骤实现从源域数据集提取样本到目标域并进行领域自适应： 1. 首先，需要准备源域数据集和目标域数据集，并使用PyTorch的DataLoader对数据集进行加载。 2. 接着，可以使用预训练模型或Fine-tuning等方法对源域数据集进行训练，例如在ImageNet上预训练的ResNet模型。 3. 在将模型应用于目标域数据集之前，需要进行领域自适应。其中一种方法是通过对目标域数据集进行一些预处理，例如数据增强和标准化，以便与源域数据集更加相似。 4. 另一种方法是使用领域自适应算法来调整模型，以便更好地适应目标域数据集。例如，可以使用PyTorch中的DANN（Domain-Adversarial Neural Network）和ADDA（Adversarial Discriminative Domain Adaptation）等算法。 以下是一个简单的示例代码，展示如何使用PyTorch实现领域自适应： ```python import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import DataLoader from torchvision.datasets import MNIST from torchvision import transforms from models import Net from utils import train, test from domain_adaptation import DANN # 加载源域数据集 source_dataset = MNIST(root='./data', train=True, download=True, transform=transforms.ToTensor()) source_loader = DataLoader(source_dataset, batch_size=64, shuffle=True, num_workers=4) # 加载目标域数据集 target_dataset = MNIST(root='./data', train=False, download=True, transform=transforms.ToTensor()) target_loader = DataLoader(target_dataset, batch_size=64, shuffle=False, num_workers=4) # 定义模型 model = Net() # 定义损失函数和优化器 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters(), lr=0.001) # 在源域数据集上进行训练 for epoch in range(10): train(model, source_loader, criterion, optimizer, epoch) # 使用DANN算法进行领域自适应 dann = DANN() dann.train(source_loader, target_loader, model, criterion, optimizer) # 在目标域数据集上进行测试 test(model, target_loader, criterion) ``` 其中，models.py和utils.py分别定义了模型和训练/测试函数，domain_adaptation.py定义了DANN算法。通过以上代码，可以实现从源域数据集提取样本到目标域并进行领域自适应的过程。

“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