直播预告 | AAAI 2022：一种基于能量的主动域自适应学习方法

已于 2022-03-08 11:38:57 修改
阅读量3.3k 收藏 1
点赞数
文章标签： 学习
于 2022-03-08 11:38:09 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.youkuaiyun.com/AI_Drive/article/details/123349373
版权
博士生谢斌辉将在AI Drive直播间解析其在AAAI 2022的最新研究，提出一种基于能量的主动域自适应学习方法，通过能量采样策略选择具有领域特性和预测不确定性的数据进行标注，以减小领域间偏差。研究聚焦深度神经网络的无监督领域适应，实验表明该方法有效。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

「AI Drive」是由 biendata 和 PaperWeekly 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而有效地反馈和交流可能会让知识的传播更加有意义，从而产生更大的价值。

本期 AI Drive，我们邀请到北京理工大学博士生谢斌辉，为大家在线解读其发表在 AAAI 2022的最新研究成果：一种基于能量的主动域自适应学习方法。对本期主题感兴趣的小伙伴，3 月 8 日（周二）晚 7 点，我们准时相约  B 站 AI_Drive 直播间。

一、直播信息

1、演讲内容：

深度神经网络擅长从大量有标注数据中学习，但却很难将其推广到新的目标领域。无监督领域适应是一种有效的范式，能够将知识从有标注的相关源域迁移到完全无标记的目标域。然而，要达到有监督的性能，仍有巨大的潜力有待挖掘。本文引入一种新的主动学习策略，自动地标注少量有价值的目标域数据。文章的核心内容从一个现象出发，当训练（源）和测试（目标）数据来自不同的分布时，基于能量的模型表现出自由能量偏差。受这一内在机制的启发，我们提出了一种简单而有效的基于能量的采样策略，在每一轮的查询中，挑选具有领域特性和模型预测不确定的数据进行标注。同时，自由能也可以作为一种正则化信号隐式地减小领域间的偏差。基准数据集和生成数据集上的实验结果证

最低0.47元/天 解锁文章
AI_Drive
关注
CVPR 2024 | 基于假阴性预测的目标检测主动域适应方法
小白学视觉
03-07 59
域适应（Domain Adaptation, DA）使模型能够适应不同外观的场景。在该领域中，主动域适应（Active Domain Adaptation, ADA）在目标域中有效采样有限数量的数据至关重要。作者提出了一种用于目标检测的主动域适应方法，重点关注量化对象的不可检测性。现有的主动采样方法在估计模型预测的不确定性时，难以考虑未检测到的对象。作者提出的主动采样策略通过同时考虑不确定性和不可检测性来解决这一问题。
高光谱图像分类的主动多核域自适应
03-08
近年来，目睹了高光谱图像（HSI）分类的快速发展。 现有的大多数研究要么通过监督学习严重依赖昂贵的标签信息，要么很难利用从相关领域借来的区分性信息。 为了解决这个问题，在本文中，我们展示了一种基于具有主动学习（AL）的域自适应（DA）的解决HSI分类的新颖框架。 我们方法的主要思想是通过利用源域中可用的带标签样本来重新训练多核分类器，并在目标域中添加最少数量的信息最多的样本以及活动查询。 所提出的方法自适应地组合了多个内核，形成了DA分类器，该DA分类器使源域和目标域之间的偏差最小。 进一步配备了嵌套的主动更新过程，它依次扩展了训练集并逐渐收敛到令人满意的分类性能水平。 我们在HSI分类任务中使用余量采样（MS）策略研究了这种主动的适应框架。 我们在两个流行的HSI数据集上的实验结果证明了其有效性。
直播预告 | AAAI 2022论文解读：基于能量的主动域自适应学习方法
Paper weekly
03-07 613
「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而...
主动情感领域适应
陈泊舟的博客
10-09 2311
文章转自： 1. 摘要 情感分析领域现有的方法通常依赖于在源域训练的情感分类器。如果情感特征在源域和目标域的分布存在显著差异，性能会显著下降。在本文中，作者提出了一种主动情绪域适应方法来处理这个问题。该方法利用少量的标记样本在主动学习模式下进行选择和标注，使通用情感词典适应目标领域。 2. 介绍 在情感分类任务中，不同的领域通常有许多不同的情感表达。此外，相同的单词或短语在不同领域可能代表不同情绪。因此，为每个领域分别标注情感词典是不切实际的。 该论文，综合了普遍的情感信息和少量主动选择的目标域标记样本。通
【论文笔记】Transferable Query Selection for Active Domain Adaptation(CVPR 2021)
weixin_42126945的博客
03-12 1621
论文：Transferable Query Selection for Active Domain Adaptation 代码：https://github.com/thuml/Transferable-Query-Selection Abstract 无监督域适配（Unsupervised domain adaptation, UDA）将知识从有完整标注的源域传递到一个未标记的目标域。尽管UDA取得了一系列进展，与使用有完整标记的目标数据比较性能差距仍然很大。主动域适配（Active domain ada
主动领域自适应(Active Domain Adaptation)部分经典论文汇总
xiongxyowo的博客
04-07 4140
只简单找了一小部分 CVPR [link] [code] [TQS] [21] Transferable Query Selection for Active Domain Adaptation [link] [code] [SDM] [22] Learning Distinctive Margin toward Active Domain Adaptation ICCV [link] [code] [CLUE] [21] Active Domain Adaptation via Cl.
Deep Reinforcement Learning : An Overview(Yuxi Li) 学习笔记
weixin_44412076的博客
03-14 3986
翻译的比较粗糙，仅供参考。 2.2 Deep Learning 深度学习与浅层学习形成对比。对于许多机器学习算法，如线性回归、逻辑回归、支持向量机(SVMs)、决策树和增强等，我们有输入层和输出层，在训练前可以用人工特征工程对输入进行转换。在深度学习中，在输入层和输出层之间有一个或多个隐藏层。在除输入层外的每一层，我们计算每个单元的输入，作为上一层单元的加权和;然后，我们通常使用非线性变换，或...
【翻译】A comprehensive survey on deep active learning in medical image analysis
zomnlin的博客
07-27 733
深度学习下的医学图像配准综述
深度补全 论文及代码汇总，持续更新中~~
不忘初心~
03-14 2733
depth completion
Image Processing and Analysis_8_Edge Detection：Edge and line oriented contour detection State of the...
Alliswell_WP
09-28 2255
此主要讨论图像处理与分析。虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来，但鉴于它们与计算机视觉的紧密联系，以 及它们的出处，没有把它们纳入到图像处理与分析中来。同样，这里面也有一些 也可以划归到计算机视觉中去。这都不重要，只要知道有这么个方法，能为自己 所用，或者从中得到灵感，这就够了。 8. Edge Detection 边缘检测也是图像处理中的一个基本任务。...
详解域适应
Y220and284的博客
05-07 3310
最后，使用获得的目标标签(以及可选的，标记的源和未标记的目标数据)来更新模型，从而得到分类良好的目标数据(右)。其核心思想是在源领域（source domain）和目标领域（target domain）之间，通过重新加权源领域的数据，来使源领域和目标领域的分布更加接近，从而提高在目标领域上的模型性能。主动域适应重加权算法的工作原理是通过重新加权源领域的数据，然后在重新加权的源数据上训练模型，以最小化源领域和目标领域之间的分布差异。这些技术有效减少了源域和目标域之间的差异，提升了模型在目标域的性能。
ALDA:PyTorch中“专家咨询的域自适应损失”（AAAI2020）的代码
05-04
对抗性学习的领域适应损失 陈明豪，赵帅，刘海峰，蔡登。 介绍 我们的AAAI 2020论文的PyTorch实施。 在ALDA中，我们使用域标识符来纠正伪标签中的噪声。 ALDA在四个标准的无监督域适应数据集中优于最新方法。 要求 该代码是使用Python（3.6）和Pytorch（1.0.0）实现的。 从安装最新的Pytorch。 要安装所需的python软件包，请运行 pip install - r requirements . txt 设置 位数： 下载并解压缩到data/svhn2mnist 。 办公室31 下载并将其解压缩到data/office 。 办公室首页 下载并将其解压缩到data/office-home 。 VisDA-2017 下载 训练 位数： SVHN->MNIST python train_svhnmnist.py ALDA --gpu_id 0 -
域自适应，你适应了嘛？
最新发布
m0_73938966的博客
08-17 2760
你想，源域分类可以分的很好，目标域又和源域的差异很小，这四舍五入，不就是目标域分类分的很好嘛。通常而言，源域的数据是大量的有标签的，目标域的数据是大量的无标签的，只有少部分有标签的。即优化绿色部分的特征提取器，来尽量让红色部分的判别器分不清特征是源域的还是目标域的。就说明在这个特征空间里源域和目标域是一致的，也可以理解为源域与目标域的差异很小。该方法损失函数由两部分组成：源域的分类交叉熵损失和源域与目标域的差异MMD。基于特征的自适应、基于实例的自适应、基于模型参数的自适应。利用已学知识解决新问题。
CVPR2022 | 可精简域适应
fzlhz的博客
06-24 503
背景 深度神经网络通常对离线采集的图像（标记的源数据）进行训练，然后嵌入到边缘设备中，以测试从新场景中采集的图像（未标记的目标数据）。在实践中，这种模式由于域转移而降低了网络性能。近年来，越来越多的研究者对无监督领域适应（UDA）进行了深入研究，以解决这一问题。 Vanilla UDA旨在将源数据和目标数据对齐到联合表示空间中，以便根据源数据训练的模型可以很好地推广到目标数据。但是，学术研究与工业需求之间仍然存在差距：大多数现有的UDA方法仅使用固定的神经结构进行权重自适应，但无法有效地满足现实世界应用中各
主动学习(Active Learning)领域部分经典论文汇总
xiongxyowo的博客
11-03 3500
只简单找了一小部分 [link] Cost-Effective Active Learning for Deep Image Classification TCSVT 16 classification cost effective [link] Suggestive Annotation: A Deep Active Learning Framework for Biomedical Image Segmentation MICCAI 17 segmentation [link] Atte.
【传知代码】主动学习实现领域自适应语义分割（论文复现）
ztK63LrD的博客
08-02 975
在当今计算机视觉和人工智能领域，语义分割技术的发展正日益成为实现智能系统感知和理解复杂场景的关键。然而，传统的语义分割模型往往面临着在新领域或不同环境下适应性不足的挑战。为了解决这一问题，主动学习作为一种强大的技术手段，正在引起越来越多研究者的关注和探索。
NeurIPS 2023 预讲会第三场:数据投毒、分布外泛化等14个干货报告 |11月2日直播预告...
AITIME_HY的博客
11-01 477
10点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！哔哩哔哩直播通道扫码关注AITIME哔哩哔哩官方账号预约直播2023年11月2日10:00-12:00 14:00-16:4010:00——12:00谢斌辉北京理工大学计算机学院在读博士，研究兴趣集中迁移学习、数据高效学习和多模态学习,个人主页https://binhuixie.github.io报告题目Annotator:AG...
主动学习（active learning）
qq_46458188的博客
06-10 2057
主动学习
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