[论文笔记] Maximum Classifier Discrepancy for Unsupervised Domain Adaptation

最新推荐文章于 2024-03-03 21:34:08 发布
最新推荐文章于 2024-03-03 21:34:08 发布
阅读量803 收藏 4
点赞数 1
分类专栏： 论文笔记 Domain Adaptation 文章标签： 领域适应 无监督学习 决策边界 分类器分歧 特征生成器
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_44563093/article/details/127419226
版权

原文链接https://openaccess.thecvf.com/content_cvpr_2018/papers/Saito_Maximum_Classifier_Discrepancy_CVPR_2018_paper.pdf

github：https://github.com/mil-tokyo/MCD_DA

Motivation

常用的UDA方法，一般是训练一个domain classifier (i.e., a discriminator) ，用来区分feature是来源于源域，还是来源于目标域，然后再训练一个feature generator 来混淆discriminator. 这些方法通常会有两个问题:

  • domain discriminator 通常只用来区分feature是来源于哪个域，但是并不考虑具体任务的不同类别的决策边界 (does not consider the task-specific decision boundary when aligning distributions)
  • 这些方法通常只考虑让不同域的特征分布尽量匹配，但是考虑不同域的特异性，做特征分布对其往往很难(does not consider the relationship between target samples)
最低0.47元/天 解锁文章
_孤鸿寄语_
关注
专栏目录
域适应分类：MCD论文笔记——Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
qq_50001789的博客
06-25 421
域适应分类：MCD论文笔记——Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
最优传输论文（二十七）：Maximum classifier discrepancy for unsupervised domain adaptation论文原理
lyy的博客
08-31 521
文章目录前言摘要1.介绍2.Related Work3.Method3.1. Overall Idea3.2. Discrepancy Loss3.3. Training Steps3.4. Theoretical Insight4. Experiments on Classification4.1. Experiments on Toy Datasets4.2. Experiments on Digits Datasets6.Conclusion代码 前言 文章来自2018年的CVPR 本文是本人领域
[论文阅读笔记@2019.6] Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
quyan的博客
12-23 4436
文章目录[论文阅读笔记@2019.6] Maximum Classifier Discrepancy for Unsupervised Domain Adaptation1. IntroductionPrevious Methods:However:Proposed Method:2. Related Work3. Method3.1 Overall Idea要让生成器的特征更远离分类边界（靠近源...
Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
LeiGaiceong的博客
03-28 6717
Maximum Classifier Discrepancy for Unsupervised Domain Adaptation基本问题和动机：已经有很多工作将对抗学习方法应用到领域自适应当中，这种方法通过训练域分类器网络(即判别器)来区分特征为源域或者目标域，以及训练一个特征生成网络来模拟判别器。然而，这种域分类器仅仅尝试去区分特征为一个源域还是一个目标域，因此并没有考虑类别之间的task-s...
【域适应论文】Maximum classifier discrepancy for unsupervised domain adaptation（MCD）论文理论
最新发布
weixin_51293984的博客
03-03 769
训练出两个不同的分类器F1、F2 、特征提取器G ，训练分类器和生成器对。Loss即为求source domain上的分类误差。优化特征生成器 G ，使得。最大分类器差异的领域自适应。
MCD算法及代码理解:《Maximum Classifier Discrepancy for Unsupervised Domain Adaptation》
qq_30569745的博客
09-08 4781
目录MCD算法及代码理解1.背景知识2.算法思想3.算法流程4.代码理解5.实验结果6.思考 MCD算法及代码理解 这次的内容回归到了我目前的研究领域 – 迁移学习，更细的范围是领域自适应，迁移学习中最简单、最基础的一种问题设置场景。本文是发表在CVPR 2018上的一篇论文，这篇论文从一个基础理论出发，去理解域适应这个问题，并在理解、分析理论的基础上设计了本文中的MCD算法，可以说算法思想有很好...
maximum classifier discrepancy for unsupervised domain adaptation
06-28
最大分类器差异是一种用于无监督域自适应的方法，它通过最大化源域和目标域之间的分类器差异来提高模型的泛化能力。该方法通过在源域和目标域之间构建一个共享的特征空间，并使用最大均值差异来对齐两个域之间的特征...
第八期_Maximum Classifier Discrepancy.pptx
09-20
第八期_Maximum Classifier Discrepancy.pptx
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
读论文《Maximum Classifier Discrepancy for Unsupervised Domain Adaptation》后的总结
qq_39463274的博客
04-01 1144
前言： 最近写论文中，由于Discussion部分的需要，于是读了这篇文章，并记录一下。 摘要： 传统的使用对抗的方法来进行特征域自适应的文章存在两个问题： 1.域分类器仅尝试区分源域或目标域，因此不考虑类之间的任务特定决策边界。因此，训练有素的生成器（特征提取器）可以在类边界附近生成模糊特征。 2.这些使用对抗的特征域自适应方法旨在完全匹配不同域之间的特征分布，但是由于每个域的独有特征，这而很难...
分类 迁移学习_迁移学习之最大分类器差异的无监督域适应
weixin_36358383的博客
01-15 1048
介绍一篇CVPR2018的论文Maximum Classifier Discrepancy for Unsupervised Domain Adaptation文章的背景是迁移学习，下面我们先介绍一下迁移学习，然后介绍域适应一、迁移学习目前，图片分类、语义分割等任务的正确率已经非常高了。这得益于人工标注的数据集和深度神经网络的快速发展。但是每次我们要训练一个新的任务时，都需要建立一个新的数据集。这...
Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation
sinat_39207356的博客
02-14 1504
Bi-Classifier Determinacy Maximization for Unsupervised Domain Adaptation Abstract 方法：Bi-Classifier Determinacy Maximization (BCDM)。 针对问题：之前的方法通常利用双分类器之间的分歧性（disagreement）来学习可转移的表示，然而，它们往往疏忽了目标域中分类器的断定性（determinacy），这可能会导致模型缺乏特征辨别能力。 新的度量方法：Classifier
[cvpr2017]Mind the Class Weight Bias: Weighted Maximum Mean Discrepancy for Unsupervised DA
MataFela的博客
08-21 3271
introduce 作者认为使用MMD（maximum mean discrepancy）来衡量source domain和target domain之间的差异不够准确，这是因为没有考虑class prior distributions（类的先验分布？），为了解决这个问题，作者提出了一个叫做weighted MMD（WMMD）的模型。（Despite the great success achie
迁移学习之最大分类器差异的无监督域适应
喜欢打酱油的老鸟
04-08 2642
https://www.toutiao.com/a6675993553413341700/ 介绍一篇CVPR2018的论文 Maximum Classifier Discrepancy for Unsupervised Domain Adaptation 文章的背景是迁移学习，下面我们先介绍一下迁移学习，然后介绍域适应 一、迁移学习 目前，图片分类、语义分割等任务的正确率已经非常高...
AAAI 2022 论文列表
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
【CVPR2018】论文整理(收藏这一篇就够了)
热门推荐
木盏
06-23 6万+
CVPR作为CV界最受关注的三大顶会之一，每一个CVer都应该好好关注论文。CVPR2018在今年6月18日-22日在美国盐湖城举行。 先介绍一下CVPR2018的一些数据： 今年一共收到3303篇文章，其中979篇被录用。投录比约为29.6%。 收录论文按专家评分，分为三个层次：Poster, Spotlight, Oral。 Spotlight(亮点论文)一共有224篇，占收录论文(22...
评论 1
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