迁移学习
文章平均质量分 89
一个很菜的小猪
欢迎来到我的博客
展开
-
【域适应论文】MCC:Moment Matching for Multi-Source Domain Adaptation论文原理
数据集中各个域的平均每个类别的图像数量:源领域的集合DS = {D1, D2, …, DN},其中每个源领域Di都是带标签的数据集。此外,还有一个未标记的目标领域DTMoment Distance:源领域和目标领域之间的矩的平方差的总和第一项(关注单个领域):对于每个源领域和每个特征,计算其在源领域和目标领域上期望值的差异,并取平方。然后对所有源领域和特征进行求和,除以源领域的数量N,取平均值第二项(关注不同领域之间):通过训练特征提取器G和分类器集合C,使得在源领域中的分类任务得到很好的执行,并且在共同原创 2024-03-10 19:30:56 · 1184 阅读 · 0 评论 -
【域适应论文】Maximum classifier discrepancy for unsupervised domain adaptation(MCD)论文理论
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。原创 2024-03-03 21:34:08 · 604 阅读 · 0 评论 -
【CV论文】Swin Transformer: Hierarchical Vision Transformer using Shifted Windows论文原理
Vision Transformer:进行MSA(多头注意力)计算时,任何一个patch都要与其他所有的patch都进行attention计算,计算量与图片的大小成平方增长。patch partition:打成patch,每个patch大小为4×4,image变成56×56×48。,所以称为W-MSA(Window Multi-Self-Attention)披着transformer皮的卷积神经网络,将二者进行了结合。Swin Transformer:采用了W-MSA,当图片大小增大时,计算量仅仅是。原创 2024-03-03 14:29:23 · 891 阅读 · 0 评论 -
【域适应论文汇总】未完结(2024/3/10)
近年域适应论文汇总,代码细剖,优化原创 2024-02-25 21:42:54 · 1049 阅读 · 0 评论 -
【迁移学习】月度总结
NIPS-2016-domain-separation-networks-Paper、Deep Reconstruction-Classification Networks for Unsupervised Domain Adaptation、Multi-Adversarial Domain Adaptation、原创 2024-01-02 16:14:52 · 592 阅读 · 0 评论 -
【迁移学习论文六】Learning Semantic Representations for Unsupervised Domain Adaptation论文原理及复现工作
这篇文章于2018年发表在ICML(International Conference on Machine Learning),作者是Shaoan Xie, Zibin Zheng, Liang Chen, Chuan Chen。以往的领域自适应方法通过对齐源域和目标域之间的全局分布统计来解决这个问题,缺点是它们忽略了样本中包含的语义信息。原创 2023-12-30 21:54:42 · 993 阅读 · 3 评论 -
【迁移学习论文五】Generate To Adapt Aligning Domains using Generative Adversarial Networks论文原理及复现工作
这篇文章于2018年发表在CVPR,作者是Swami Sankaranarayanan,Yogesh Balaji,Carlos D. Castillo,Rama Chellappa。联合特征空间:通过模型学习到的源域和目标域之间共享的特征表示,在源域和目标域之间有较好的对齐,以便更好的进行迁移。这篇文章的主要贡献是提出了一个能够直接学习联合特征空间的对抗图像生成的无监督领域自适应方法。原创 2023-12-19 20:12:41 · 103 阅读 · 0 评论 -
【迁移学习论文四】Multi-Adversarial Domain Adaptation论文原理及复现工作
这篇文章于2018年发表在AAAI,作者是清华大学龙明盛老师的学生。通过最大限度地匹配跨域数据分布的多模式结构来增强正迁移;通过防止跨域分布中模式的错误对齐来减轻负迁移。在这些挑战的激励下,作者提出一种多对抗域自适应(MADA)方法,它捕获多模式结构,以支持基于多个域鉴别器的不同数据分布的细粒度对齐。与以前的方法相比,一个关键的改进是能够同时促进相关数据的正迁移和减轻不相关数据的负迁移。利用线性时间内的反向传播计算梯度,通过随机梯度下降实现自适应。这篇模型的提出具有非常重要的意义,它在理论上是合理的。原创 2023-12-16 16:24:58 · 435 阅读 · 0 评论