【域适应论文】Maximum classifier discrepancy for unsupervised domain adaptation（MCD）论文理论

于 2024-03-03 21:34:08 发布
阅读量495 收藏 10
点赞数 6
分类专栏： 迁移学习 文章标签： 人工智能 计算机视觉 迁移学习 深度学习
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_51293984/article/details/136431425
版权

文章目录

MCD：Maximum classifier discrepancy for unsupervised domain adaptation（CVPR 2018）

  • 已有的方法仅尝试去区分特征为源域/目标域
  • 没有考虑task-specific决策边界
  • 训练好的生成器G会产生近类别边界的模糊特征

1 Introduction

最大分类器差异的领域自适应

  • 通过最大化分类器之间的差异来学习具有相似特征表示的源域和目标域之间的映射
  • 引入两个独立的分类器F1、F2

在这里插入图片描述

  • 两个分类器试图使目标样本上的预测结果尽可能不同
  • 特征提取器的目标是生成的特征表示尽可能地减小这种差异

2 Related Work

3 Method

在这里插入图片描述

A阶段

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源样本进行正确的分类。Loss即为求source domain上的分类误差。
在这里插入图片描述

B阶段

固定特征提取器G ，训练两个不同的分类器 F1和F2 ，使得它们的差异最大。如果没有这一步，两个分类器可能会变得非常相似，就不能很好的区别靠近边界的目标样本。损失函数为 L 1 L_1 L1​（两个分类器概率输出之差的绝对值）：
在这里插入图片描述

C阶段

固定两个分类器F1、F2，优化特征生成器 G ，使得生成的特征对两个分类器效果尽可能一致

4 Experiment

  • 分类实验
    在这里插入图片描述
一个很菜的小猪
关注
  • 6
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
域适应目标检测：CST-MCD源码笔记——Collaborative Training between Region Proposal Localization and Classification
qq_50001789的博客
06-25 109
域适应目标检测：CST-MCD源码笔记——Collaborative Training between Region Proposal Localization and Classification
域适应分类：MCD论文笔记——Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
qq_50001789的博客
06-25 231
域适应分类：MCD论文笔记——Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
Domain Adaptation 论文笔记
ethanzhangg的博客
03-22 980
Domain Adaptation paper个人笔记
读论文《Maximum Classifier Discrepancy for Unsupervised Domain Adaptation》后的总结
qq_39463274的博客
04-01 1093
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...
[论文笔记] Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
weixin_44563093的博客
10-20 699
This paper introduces a new approach that attempts to align distributions of source and target by utilizing the task-specific decision boundaries
【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
Maximum Classifier Discrepancy for Unsupervised Domain Adaptation
LeiGaiceong的博客
03-28 6611
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...
MCD算法及代码理解:《Maximum Classifier Discrepancy for Unsupervised Domain Adaptation》
qq_30569745的博客
09-08 4254
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...
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
Optimal Transport for Domain Adaptation
12-20
Domain adaptation is one of the most challenging tasks of modern data analytics. If the adaptation is done correctly, models built on a specific data representation become more robust when confronted ...
GROUP SENSITIVE CLASSIFIER CHAINS FOR MULTI-LABEL CLASSIFICATION
02-11
GROUP SENSITIVE CLASSIFIER CHAINS FOR MULTI-LABEL CLASSIFICATION
Multiple Classifier Systems for More Accurate JavaScript Malware Detection
02-10
Multiple Classifier Systems for More Accurate JavaScript Malware Detection
A Novel Dynamic Classifier Selection for Transmission Line Fault Location
02-22
A Novel Dynamic Classifier Selection for Transmission Line Fault Location
最优传输论文（二十七）：Maximum classifier discrepancy for unsupervised domain adaptation论文原理
lyy的博客
08-31 475
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
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 2573
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...
《Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation》论文阅读
big_yellow_man的博客
06-27 1906
摘要 在区域自适应（domain adaptation）中，最大平均差(maximum mean discrepancy，MMD)作为源域和目标域分布的一种差异度量方法被广泛采用，然而，现有的基于MMD的域自适应方法通常忽略了类先验分布的变化，比如跨域的类权重偏差（class weight bias across domains），对于领域适应来说是普遍存在的，作者认为这可能是由于样本选择标准和应...
maximum classifier discrepancy for unsupervised domain adaptation
最新发布
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...

“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