Domain Adaptation Gaze Estimation by Embedding with Prediction Consistency ACCV 2020 目标域所有样本无标签

已于 2023-04-25 12:43:39 修改
阅读量91 收藏
点赞数
分类专栏： 视线估计 文章标签： 算法 机器学习 人工智能
于 2023-04-25 12:37:03 首次发布
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_43841776/article/details/130362088
版权

原文链接
person-level domain adaption
Motivation：约束不同域中注视方向之间的线性关系在视线空间和特征嵌入空间上保持一致。
在这里插入图片描述
具体来说，源域样本及其标签{ I s , g s I^s,g^s Is,gs}以及目标域样本及其伪标签{ I t , g t ^ I^t,\hat{g^t} It,gt^​}。对于每个目标域样本j，计算它的源域标签邻域
在这里插入图片描述
y , p y,p y,p代表俯仰角、偏航角
用邻域内样本标签加权表示目标域样本j，权重由LLR求解拉格朗日
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
约束该权重关系在特征空间仍然成立
在这里插入图片描述
实验：
在这里插入图片描述

driverw
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 无监督领域自适应
捡起一束光的博客
11-08 4819
Unsupervised domain Adaptation by Backpropagation 这篇论文发表于2015 ICML，目前引用量已经3000+，这篇文章讲得非常好，把对抗训练的思想应用到分布迁移上面。具体来说在原来feature mapping的基础上外接一个domain classifier（之前那个叫做label classifier），这个domain classifier的作用是判别当前样本是属于哪个domain的，如果你的数据集只有两个分布，那么这个classifier就是一个二分
迁移学习-PixelDA-Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks
forever1993的博客
10-31 4902
文章阅读 摘要Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks
Contrastive Regression for Domain Adaptation on Gaze Estimation CVPR 2022 对比学习+目标域有样本无标注（伪标签）
weixin_43841776的博客
02-20 451
将分类对比学习推广到了回归任务。
迁移学习——Domain Adaptation
热门推荐
小花生的博客
07-08 5万+
Domain Adaptation 在经典的机器学习问题中，我们往往假设训练集和测试集分布一致，在训练集上训练模型，在测试集上测试。然而在实际问题中，测试场景往往非可控，测试集和训练集分布有很大差异，这时候就会出现所谓过拟合问题：模型在测试集上效果不理想。 以人脸识别为例，如果用东方人人脸数据训练，用于识别西方人，相比东方人识别性能会明显下降。 当训练集和测试集分布不一致的情况下，通过在训练...
（AAAI2020）Adversarial Domain Adaptation with Domain Mixup论文笔记
VioletSaber的博客
12-15 1603
（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
【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
【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks
qq_40867596的博客
07-13 2740
【论文翻译】Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks1.研究背景和目的2.域适应方法（DOMAIN ADAPTATION METHODS）2.1basic idea2.2传统方法2.3对抗网络方法（Adversarial Network Methods）3.数据以及预处理4.域适应结果和讨论4.1域适应设置（实验设置）4.2实验结果 论文链接：http://bcmi.sjtu.edu.cn/~zhe
Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)
yanglong6666的博客
01-16 2949
摘要：现有的去雾方法大多是在合成的雾霾图像上训练去雾模型，但由于域的偏移，对真实的雾霾图像的泛化效果较差。故提出一种领域自适应模式，该模式由一个图像平移模块和两个图像去雾模块组成。具体来说，首先应用一个双向网络，通过将图像从一个域转换到另一个域，来弥补合成域和真实域之间的差距。然后，使用平移前后的图像训练两个具有一致性约束的图像去雾网络。在这一阶段，利用清晰图像的特性（如暗通道先验和图像梯度平滑），将真实的朦胧图像纳入去雾训练中，进一步提高域自适应性。通过端到端对图像平移和去雾网络进行训练，可以获得较好的图
域适应（domain adaptation）
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
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
10-07
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
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
论文研究-Unsupervised domain adaptation with joint supervised sparse coding and Discriminative regularization term.pdf
08-15
结合有监督的稀疏编码和判别正则项的无监督域适应算法，朱琳，张翔，域适应是通过减小不同域分布之间的差异以期加强分类器的泛化性能。本文专注于无监督域适应问题,其目标域无标签。大部分已有的算��
Unsupervised-Domain-Adaptation-with-Differential-Treatment:[CVPR 2020]东西区别对待
05-04
在这项工作中，我们通过减轻源域（合成数据）和目标域（实际数据）之间的域迁移来考虑语义监督的无监督域自适应问题。 最新的方法证明执行语义级别的对齐有助于解决域转换问题。 基于观察发现，东西类别通常在不同域...
2021-域自适应-医学图像分析-Domain Adaptation for Medical Image Analysis
09-21
Domain Adaptation（领域适应）是机器学习领域中的一种技术，旨在解决源域和目标域之间的分布差异问题。近年来，领域适应在医学图像分析领域引起了广泛关注和兴趣。该论文旨在回顾医学图像分析领域适应的最新进展和...
5力扣：最长回文子串
m0_75015083的博客
08-02 277
从后到前遍历是为了让每一次遍历时所需用到的子串提前被计算过。
LeetCode：2740. 找出分区值（Java 排序）
Cosmoshhhyyy的博客
08-02 289
一道简单的mid题，翻译题目其实就是找出排序后两个相邻数之间的最小差值。
算法第十七天：leetcode242.有效的字母异位词
最新发布
m0_75068978的博客
08-02 510
如下表所示，您可以直接复制下面网址进入力扣学习，在观看下面的内容之前您一定要先做一遍哦，以便让你印象更加深刻！
代码随想录算法训练营第三十三天 | 动态规划理论基础、509. 斐波那契数、70. 爬楼梯、746. 使用最小花费爬楼梯
weixin_43581681的博客
08-01 308
1. 动态规划基础；2. 背包问题；3. 打家劫舍；4. 股票问题；5. 子序列问题。1. 确定 dp[ i ] 数组及下标含义；2. 确定递推公式；3.确定dp数组如何初始化；4. 确定遍历顺序（背包问题中很重要）；5. 举例推导dp数组。
domain adaptation with auxiliary task
10-20
Domain adaptation with auxiliary task是一种在领域适应中使用辅助任务的方法。领域适应是指将在一个领域上训练的模型应用到另一个领域的问题上。通常情况下，模型在不同领域之间的性能会下降，这是因为两个领域...
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