Category-level Adversaries for Semantics Consistent Domain Adaptation

最新推荐文章于 2022-11-01 12:02:28 发布
原创 最新推荐文章于 2022-11-01 12:02:28 发布 · 1k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#Deep Learning #Domain Adaptation

本文介绍CVPR2019的一篇oral文章，提出一种新的领域适配方法，通过引入类级别对手学习，解决特征空间匹配导致的负迁移问题。该方法利用两个分类器进行协同训练，以衡量类别间对齐情况，并据此调整对抗损失的权重。

CVPR2019: Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation##

引言

PS. 来自于悉尼科技大学杨易老师团队一篇paper，CVPR2019的oral。主要是对domain adaptation带来语义的约束（Category-level Adversaries ）。adversarial learning在应对domain adaptation时，当target domain是无label的时候，是在特征空间使source domain与target domain的样本分布逼近，即使得P(Fs)≈P(Ft)P(F_s)\approx P(F_t)P(Fs​)≈P(Ft​)，然而并不能使得source domain与target domain的联合概率分布逼近，即P(Fs,Ys)≠P(Ft,Yt)P(F_s,Y_s)\neq P(F_t,Y_t)P(Fs​,Ys​)̸​</

最低0.47元/天 解锁文章
最优传输论文（四十一）：Adversarial Multiple Source Domain Adaptation论文原理
lyy的博客
10-11 1060
文章目录前言摘要1 Introduction2 Preliminary3 Generalization Bound for Multiple Source Domain Adaptation 前言 文章来自2018年的NIPS 本文是本人领域自适应与最优传输系列论文的第41篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望各位大佬们不吝点赞，给个Star哦~ 摘要 虽然领域自适应已经得到了积极的研究，但大多
多源迁移学习
Mr_Pingg的博客
06-16 1327
研究将不同源域提取到不同特征空间，在不同特征空间分别对其源域和目标域的特征分布，提出一种一致性正则化项约束多个分类器对同一样本的输出，使他们更加接近。2、深度鸡尾酒网络：针对每个源域和目标域都用单独的领域判别器和一个分类器。通过映射函数将不同领域数据映射到同一特征空间以最小化不同领域特征间的差异，从而达到拉近特征分布的效果。3、M3SDA:在考虑源域和目标域之间的对齐同时还对其不同源域的特征分布。1、多源对抗网络：通过多个领域判别器分别对其每个源域和目标域的特征分布。三、基于深度学习的多源迁移算法。
【论文研读】Category-level Adversaries for Semantics Consistent Domain Adaptation（cvpr2019）
Always_ease的博客
04-18 1683
原文链接：Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation 作者：Yawei Luo , Liang Zheng，Tao Guan , Junqing Yu , Yi Yang 一、背景知识介绍 1、语义分割： 1）定义：给...
【论文翻译】Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domai
星星亮了bulingbuling~
05-22 847
Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domain Adaptation 仔细研究域转移：语义一致域适应的类别级对手 Abstract We consider the problem of unsupervised domain adap- tation in semantic segmentation. A key in this campaign consists
【迁移学习】Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
毛毛的博客
10-14 1109
文章目录2.相关工作2.1 基于CNN的目标检测2.2 基于点云的3D目标检测3.PIXOR 检测器4.结果4.1 KITTI上的BEV目标检测5.总结 ## 摘要 作者考虑了语义分割中的无监督域自适应问题。这一问题的关键在于减少域偏移，即强制两个域的数据分布相似。常用的策略之一是通过对抗学习来对齐特征空间中的边缘分布。然而，这种全局对齐策略没有考虑类别级别的联合分布，这样源和目标之间最初很好对齐的一些类别可能被错误地映射，导致目标域中更差的分割结果。因此，作者引入了一个类级别的对抗性网络，目的是在全局
Category-level Adversaries for Semantics Consistent Domain Adaptation
fuyouzhiyi的博客
07-12 520
这是CVPR 2019的一片论文，讲语义分割中的域适应 文章目录摘要介绍算法问题背景网络架构相关工作GAN协同训练(co-traning)训练流程损失函数分析实验 摘要 域适应在语义分割中的关键问题在于 减少域漂移(domain shift)。一般，我们对齐两个域之间的分布来解决这个关键问题。问题是，这种全局性的对齐两个域的分布，并没有考虑类别级别的对齐。这种忽略会造成：目标域中 原本已经对齐的类...
论文解读：Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
shY Pa
07-28 3939
论文题目：Taking A Closer Look at Domain ShiftCategory-level Adversaries for Semantics Consistent Domain Adaptation (CVPR2019) 代码地址：https://github.com/RoyalVane/CLAN 论文主要贡献：现有的分割自适应方法没有考虑不同类别的对齐差异，有的类别...
域自适应——Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
lixuegouzi的博客
11-20 2559
目前方法的缺陷：只顾及了源域和目标域之间的边缘分布，没有顾及源域和目标域之间的联合概率分布，不仅对齐不好，而且会把已经对齐的特征进行负迁移。为了解决全局对抗学习的局限性，提出了类别级的对抗网络。 本文贡献如下： （1）通过提出对不同特征的对抗损失进行自适应加权，强调了类别级特征对齐对减少域移位的重要性。 （2）论文结果与最先进的UDA（unsupervised domain adaptation）...
CVPR2022自适应/语义分割：Class-Balanced Pixel-Level Self-Labeling for Domain Adaptive Semantic Segmentation
ssshyeong的博客
11-01 2659
域自适应语义分割的目的是在监督源域数据的情况下学习模型，并在未标记的目标域上产生令人满意的密集预测。为解决上述问题，我们建议直接探索目标域数据的内在像素分布，而不是过度依赖源域。具体来说，我们同时对像素进行聚类，并使用获得的聚类分配对标签进行整流。这个过程以在线的方式完成，因此伪标签可以与分割模型共同进化，而不需要额外的训练。为了克服长尾类的类不平衡问题，我们采用一种分布对齐技术，使簇分配的边缘类分布接近于伪标签的边缘类分布。所提出的方法，即类平衡像素级自标记(CPSL)
[6DoF Pose] Category-Level Articulated Object Pose Estimation
不忘初心~
11-15 916
本文针对单一深度图像中关节目标的分类级位姿估计问题进行了研究。我们提出了一种新的分类级别的方法，它能正确地容纳在训练期间未见过的对象实例。我们引入了关节感知规范化坐标空间层次结构(ANCSH)——给定类别中不同关联对象的规范表示。作为实现类内概化的关键，该表示构造了一个规范对象空间和一组规范部分空间。标准对象空间对对象的方向、尺度和关节(例如关节参数和状态)进行规格化，而每个标准部分空间进一步对其部分姿态和尺度进行规格化。我们发展了一个深厚的网络基础 pointnet++，从单一深度点云预测ANCSH，包括
基于特征的对抗迁移学习论文_迁移学习之域漂移问题的对抗学习
weixin_36179777的博客
01-10 1829
迁移学习系列论文七：CVPR 2019论文： Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation前言：迁移学习，是指利用数据、任务、或模型之间的相似性，将在旧领域学习过的模型，应用于 新领域的一种学习过程。我们都对机器学习有了基本的了解...
TGRS2020/遥感：Multisource Domain Adaptation for Remote Sensing Using Deep Neural Netw基于深度神经网络的遥感多源域自适应
ssshyeong的博客
07-12 2603
在本文中，我们提出了一个可扩展但简单的自适应MDA (AMDA)框架来解决这个问题。AMDA还能够比现有基线更有效地处理不同来源之间不平衡的数据分布。我们还将最初为域扩展(DE)提出的两种技术扩展到DA任务。将AMDA和扩展的DE技术应用于LCZ分类问题。尽管AMDA很简单，但它能够比基线提高12%以上...
Multi-Source Domain Adaptation 多源域适应 最新论文集合 
u014546828的博客
12-01 2453
Moment Matching for Multi-Source Domain Adaptation [paper] [github] Multi-source Distilling Domain Adaptation [paper] [github] A Two-Stage Weighting Framework for Multi-Source Domain Adaptation [paper] Multi-source Domai...
论文解读：Synergistic Image and Feature Adaptation: Towards Cross-Modality Domain Adaptation for Medical
qq_35209222的博客
03-10 2377
论文解读：Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domain Adaptation论文解读：Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consis...
【CVPR2019_论文汇总】（按方向划分，0401 更新中）
热门推荐
maweifei的博客
04-01 3万+
转载链接：http://bbs.cvmart.net/topics/302/cvpr2019paper 作为计算机视觉领域三大顶会之一，CVPR2019（2019.6.16-6.19在美国洛杉矶举办）被CVers 重点关注。目前CVPR 2019 接收结果已经出来啦，相关报道：1300篇！CVPR2019接收结果公布，你中了吗？ 开设此帖希望可以实时跟进CVPR2019的即时信息及相关优秀论文，...
10分钟看完：悉尼科技大学入选 CVPR 2019 的 8 篇论文，都研究什么？
郑哲东的博客
05-05 1363
全球计算机视觉顶级会议 IEEE CVPR 2019 (Computer Vision and Pattern Recognition，即 IEEE 国际计算机视觉与模式识别会议) 即将于六月在美国长滩召开，本届大会总共录取来自全球论文 1300 篇。CVPR 作为计算机视觉领域级别最高的研究会议，其录取论文代表了计算机视觉领域在 2019 年最新和最高的科技水平以及未来发展潮流。CVPR 官网显...
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
CVPR2019| 百度17篇CVPR论文学习记录（包含：无人驾驶、神经网络、GAN、无监督学习、目标检测）
王博（Kings）的博客
05-03 5483
首先感谢现在网上资源丰富，能够获得很多人的总结，结合自身实际进行了学习记录。并着重标注了其中关键核心 目录 1）Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent Domain Adaptation（仔细研究源域转换：语义一致域适应的类别级别对抗） 2）Filte...
SW-Adversaries：FFG《星球大战》RPG对手机制Web应用
- 压缩包子文件的名称为“sw-adversaries-master”，暗示源代码可能使用了Git进行版本控制，并将代码库的主分支命名为“master”。 - 根据文件目录结构，源代码可能被组织为标准的前端项目文件结构，包含源代码...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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