![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
Domain Adaptation(CV)
SkyrimT
这个作者很懒,什么都没留下…
展开
-
(AAAI2020)Discriminative Adversarial Domain论文笔记
Discriminative Adversarial Domain Adaptation论文笔记论文链接代码链接本文是针对领域自适应问题的对抗学习方法。相比于传统的对抗学习方法,本文创新性地将分类器和域判别器合并成同一个网络。提出一种新的损失函数用于优化合并后的网络。网络模型源域图片和目标域图片首先输入特征提取器GGG,得到特征向量,之后特征向量输入分类器(判别器和分类器的合并)FFF,输出一个K+1K+1K+1维的向量。前KKK维代表分类的结构,最后一维代表域判别的结果。通过这个结果计算损失原创 2020-12-16 19:55:29 · 545 阅读 · 0 评论 -
(AAAI2020)Adversarial Domain Adaptation with Domain Mixup论文笔记
(AAAI2020)Adversarial Domain Adaptation with Domain Mixup论文笔记文章链接代码链接基于对抗方式的对齐源域数据和目标域数据。本文提出一种mixup的对齐方式。传统的对齐方式中,直接在对齐源域和目标域的特征分布。而该方法中,构造出一些minup的数据,相当于在源域的特征和目标域的特征之间建立桥梁,逐渐对齐特征。图中表达的意思是,该方法将构造出一些mixup的图片,通过这些图片建立源域和目标域之间的联系,从而对齐源域的特征和目标域的特征。模型结构原创 2020-12-15 17:15:20 · 1605 阅读 · 0 评论 -
(AAAI2020)Adversarial-Learned Loss for Domain Adaptation 论文笔记
Adversarial-Learned Loss for Domain Adaptation 论文笔记本文同样是在传统的对抗领域自适应模型上进行修改。本文提出一个相比于最传统的判别器输出0/1表示领域,本文中的判别器输出为分类向量,并用分类向量构造出Confusion Matrix用于优化生成器,判别器和分类器。模型结构模型中和传统对抗领域自适应方法包含的模块相似,一个特征提取器GGG,分类器CCC和判别器DDD。CCC的输出经过softmax函数后,得到每个类比的概率ppp,y^=argmax(p原创 2020-12-10 19:24:38 · 891 阅读 · 1 评论 -
(ECCV2020) A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation 论文笔记
Classes Matter: A Fine-grained Adversarial Approach to Cross-domain Semantic Segmentation 论文笔记papercode本文针对图像分割问题的无监督领域自适应方法,提出一种对齐条件概率分布的新方法。本文贡献提出一种跨领域图像分割新的对抗学习的结构该结构在类别层面对齐源域和目标域的特征进行对齐在一些数据集上评估了该方法的优越性(嗯,就讲故事呗,这三个贡献没啥新颖的东西,很多论文都是这三个(高端点的会加个原创 2020-12-08 14:07:13 · 773 阅读 · 1 评论 -
(CoRL2020)DIRL: Domain-Invariant Representation Learning Approach for Sim-to-Real Transfer 论文笔记
(CoRL2020)DIRL: Domain-Invariant Representation Learning Approach for Sim-to-Real Transfer 论文笔记本文针对的问题是无监督领域自适应和半监督领域自适应问题。与传统的对抗领域自适应方法对比,其创新性在于在对齐边缘概率分布的同时也对齐条件概率分布(虽然感觉现在大家都在对齐条件概率分布,应该不能算新颖了)使用triplet distribution loss来增大类间方差同时缩小雷内方差本文上来先阐述对齐条件分原创 2020-12-07 12:51:40 · 1223 阅读 · 1 评论 -
(CVPR2020)Model Adaptation: Unsupervised Domain Adaptation without Source Data总结
Model Adaptation: Unsupervised Domain Adaptation without Source Data本文提出一个新的问题,没有源域数据的无监督领域自适应问题。说是没有源域数据,其实指的是在Domain Adaptation的过程中不使用源域数据。以本文为例,它仍然使用了使用源域数据预训练出的分类模型。模型结构本文主要结构包括三个部分,生成器GGG,特征提取器和分类器CCC以及判别器DDD特征提取器和分类器CCC首先使用使用源域数据进行预训练得到一个原始模型。原创 2020-09-26 13:01:37 · 2147 阅读 · 3 评论 -
(CVPR 2019)Domain-Symmetric Networks for Adversarial Domain Adaptation笔记
Domain-Symmetric Networks for Adversarial Domain Adaptation文章链接网络结构源域和目标域数据同个特征提取器G提取出特征向量,之后通过分类器(全连接层)得到vvv,这里的vvv是指经过全连接层但还没有经过softmaxsoftmaxsoftmax处理的结果。使用两个分类器分别得到vs(x)v^s(x)vs(x)和vt(x)v^t(x)vt(x),二者拼接得到vst(x)v^{st}(x)vst(x)。vs(x),vt(x)和vst(x)v^s原创 2020-09-20 11:47:32 · 575 阅读 · 1 评论 -
(CVPR 2019)Universal Domain adaptation笔记
(CVPR 2019)Universal Domain Adaptation文章链接本文主要是针对Universal Domain Adaptation问题提出的方法Universal Domain Adaptation是指目标域的标签空间未知的无监督领域自适应(Unsupervised Domain Adaptation)问题,如下图所示网络结构训练部分,图像xxx输入进入特征提取器FFF,得到特征向量zzzD′D'D′是一个非对抗领域判别器,DDD是一个对抗领域判别器,用于判断输入zzz原创 2020-09-19 12:54:14 · 1697 阅读 · 1 评论