lwpyh的博客

这篇文章是AAAI2020的一篇领域自适应的文章，挺有意思的，把读书笔记和大家分享一下。摘要：给定源域上标记的实例和目标域上未标记的实例，无监督域适应旨在学习一种任务分类器，它可以很好地对目标进行分类。最近的进展依赖于深度网络的领域对抗训练来学习领域不变特征。但是，由于任务分类器和域分类器的分离设计会导致模式崩溃，这些方法在对齐域间特征和类别的联合分布方面受到限制。为了克服这一问题，本文提出了一种新的对抗学习方法，称为可鉴别的对抗域适应(DADA)。基于集成的分类器和域分类器，DADA有一个新颖的对抗性

本文是AAAI收录的一篇文章，与以往方法不同，其提出要对高阶特征进行域匹配，下面就简要介绍一下其思路。摘要最大限度地减小不同域间特征分布的差异是无监督域自适应最有前途的方向之一。从分布匹配的角度来看，现有的基于离散度的方法大多是针对二阶或更低阶的统计量设计的，而这些方法对非高斯分布的统计特性的表达是有限的。在这项工作中，我们探讨了使用高阶统计量(主要指三阶和四阶统计量)进行域匹配的好处。提出了...

Adversarial Domain Adaptation with Domain Mixup读书笔记模型介绍情境设置模型描述DM-ADA的具体框架1. 在两个层次上进行mixup操作2. 具有先验知识的编码器3. 具有先验知识的编码器4. 对潜在空间编码5. 对抗域联合对齐6. 种类级别的域联合适配具体训练步骤：实验部分这篇文章是AAAI2020的oral,将深度学习里的一个技巧mixup用到...

无监督域自适应的目的是解决目标域未标记样本的分类问题，而标记样本仅来自源域，且这两个域的数据分布不同。在这两种情况下，目标域中缺少标记的样本可能是一个问题，通常通过伪标记来克服。然而，不准确的伪标记可能会在学习过程中导致灾难性的错误积累。这篇文章提出了一种基于结构预测的选择性伪标记策略。结构化预测的灵感来自于目标域的样本在深度特征空间内具有良好的聚类特性，因此可以使用无监督聚类分析来促进准确的伪标...

在这篇文章里，通过对每个类到原型的距离的重新映射，学习一个嵌入空间并执行分类。具体地说，提出了可转移的原型网络(TPN)来进行自适应，使源域和目标域的每个类的原型在嵌入空间上都很接近，并且原型在源和目标数据上分别预测的分数分布也很简单。从技术上讲，TPN最初将每个目标示例与源域中最近的原型匹配，并将这个原型作为示例的“伪”标签。这样，每个类的原型就可以分别在源数据、目标数据和源-目标数据上进行计算...

目标检测与域适应界核的一篇文章，非常有启发，CVPR2018作品，非常有趣。1.全文综述目标检测任务通常假设训练集与测试集从属于同一个分布，但是在实际情形中并不完全如此，这种分布上的差异会导致性能的下降与损失，本文旨在提高目标检测的跨域鲁棒性。作者从两个层面处理领域转移:1)图像级移动，如图像样式、光照等;2)实例级移动，如对象出现-亮度、大小等。我们基于最新的最先进faster R-CNN模...

这篇文章是arxiv上的一篇domian adaptation的文章，觉得这里使用的方法和之前的方法完全不同，很有意思。所以整理了一下，和大家一起分享。本文讨论了无监督域自适应，即源域上有标记的训练数据，但目标是在目标域上只有未标记数据，希望能够通过一些方法将源域上分类器迁移到目标域上，并能在目标域上有良好的性能。与之前的许多工作一样，我们试图在保持可辨别性的同时，对源域和目标域的学习表示进行对...