域适应（Domain Adaptation）综述

最新推荐文章于 2025-03-07 11:20:40 发布
最新推荐文章于 2025-03-07 11:20:40 发布
阅读量4.3k 收藏 39
点赞数 2
文章标签： 迁移学习 深度学习 人工智能
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/weixin_45836130/article/details/126673334
版权
本文概述了域适应的概念，探讨了训练集与测试集分布不一致（Domain shift）的三种情况，并重点介绍了在有限或无标签目标域数据下，如何通过特征提取和领域对抗训练来提升模型性能。文中提到了如何设计Feature Extractor以减少源域与目标域之间的差异，并借助Domain classifier和Label Predictor实现这一目标。

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

根据李宏毅老师的视频所归纳的笔记

视频链接：https://www.bilibili.com/video/BV1TL411p7Us?spm_id_from=333.999.0.0

假设我们在训练集上训练黑底白字的手写数字集后（如下图），再把它用在同样是黑底白字的测试集上所得到的效果非常好（99.5%），但是如果把它用在有颜色的数字上的时候，它的效果就没之前那么好了（57.5%）。

 

若训练集和测试集的标签不同我们称之为Domain shift，它分为以下几种情况：第一种是在训练资料上是黑白的数字图片，而测试资料上是彩色的数字图片；第二种是在训练过程中的输出分布非常平均，而测试过程中的输出分布的概率差别很大；第三种是一张图片在训练资料中可能是“0”，而在测试资料中可能是“1”。

 需要域适应的场景：

第一种

最低0.47元/天 解锁文章
李宏毅老师-概述领域自适应
weixin_46675905的博客
05-19 759
慢慢来，会更好！ 大家好，我是一个想研究又不会研究的研究生 陪伴大家一起学习成长！ 举一个例子，手写数字识别 但是假设训练资料和测试资料的分布不一样怎么办呢? 比如说训练的时候是黑白的，测试的时候是彩色的 一旦训练和测试分布不一样，那么在测试data上可能坏掉 那么，这种情况就叫做domain shift 相应的，我们就有一门技术来弥补这个不足，那就是domain adaptation 把一个domain（训练）学到的东西用在另一个domain（测试）上 domain shift有很多种可能 下
​李宏毅机器学习——领域适应Domain Adaptation
iwill323的博客
10-30 1997
​李宏毅机器学习——领域适应Domain Adaptation
《迁移学习:域自适应理论》综述论文
04-28
本综述的主要目的是提供一个特定的、可以说是最流行的迁移学习子领域——领域自适应——最新理论结果的概述。
机器学习（李宏毅）——Domain Adaptation
最新发布
Dlog的博客
03-07 1049
机器学习（李宏毅）——Domain Adaptation
领域自适应(Domain Adaptation)方法综述
SmartLab307的博客
04-27 1万+
领域自适应(Domain Adaptation)方法综述
域适应综述
SmartLab307的博客
06-01 5952
深度域适应综述_一般情况与复杂情况（学习笔记） 文章目录 深度域适应综述_一般情况与复杂情况（学习笔记） 图释 摘要 概述 文章主要内容 1.迁移学习概述 1.1 迁移学习, 域适应以及深度域适应的形式化定义 迁移学习 域适应 深度域适应 域适应与迁移学习的关系 1.2 影响目标域任务性能的因素——泛化误差 1.3 负迁移 2 深度域适应 2.1 基于领域分布差异的方法 2.1.1 基于统计准则的方法⭐⭐⭐ （1）MMD(Maximum Mean Discrepancy, 最大均值差异) （2）CORAL（
详解域适应
Y220and284的博客
05-07 3429
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。
深度域适应技术综述
lh16130130282的博客
11-26 2786
关于深度学习域适应的简单综述
2021-域自适应-医学图像分析-Domain Adaptation for Medical Image Analysis
09-21
Domain Adaptation（领域适应）是机器学习领域中的一种技术，旨在解决源域和目标域之间的分布差异问题。近年来，领域适应在医学图像分析领域引起了广泛关注和兴趣。该论文旨在回顾医学图像分析领域适应的最新进展和...
domain adaptation 综述
08-08
有些方法将源域的标签信息也用于训练这个映射函数，以增强其适应目标域的能力。 另一类方法是基于实例重标定的域自适应方法。这些方法试图通过调整源域的样本权重或标签权重，使得源域上的样本在目标域上的表现更好...
语义分割-Unsupervised Domain Adaptation in Semantic Segmentation：a Review语义分割中的无监督领域自适应：综述
ssshyeong的博客
11-28 5551
对语义分割的深层网络的无监督域自适应（UDA）的最新进展进行综述。
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
10-07
A Literature Review of Domain Adaptation with Unlabeled Data(无标签数据域自适应文献综述)
domain adaptation
01-10
域适应的经典文章，cvpr，强化学习，迁移学习，核函数匹配
domainAdaptation
03-25
domainAdaptation
【TL学习笔记】1：领域自适应(Domain Adaptation)方法综述
热门推荐
大桔骑士的学习笔记
06-21 5万+
1 迁移学习的直观理解 人类容易在类似的任务上利用先前的经验，比如学过自行车就很容易学会摩托车，学会打羽毛球也能帮助学习打网球，学过小提琴也会对学习二胡有帮助。也就是把一个领域上学习的知识迁移到另一个领域上，目的也是让计算机有举一反三的能力（大概是实现AGI的一个重要的坎），或者是去尝试充分利用已经训练过的某个领域的知识来解决当前的任务（这样可以解决数据少的问题）。 在迁移学习中要强调源域（Source Domain）、源任务（Source Task）、目标域（Target Domain）和目标任务（Tar
域适应（domain adaptation）
如果想成为中心，那么就到中心去吧。
05-22 3万+
文章目录导读前言域适应类别任务相关性一步域适应技术及其应用基于散度的域适应基于对抗的域适应基于重建的域适应结论 导读 在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种特殊的迁移学习叫做域适应 （Domain Adaptation，DA ）。因为其任务相同，域适应属于一种直推式迁移学习。在计算机视觉中，域适应是一个常见要求，因为带有标注的数据集很容易取得，但是获得的数据集和我们最终应用的数据集来源的域往往是不同的。那么解决这类问题的思路是什么呢？请看 AI 前线翻译的这篇文章，希望能有所启
域适应（Domain adaptation）
dfql83704的博客
04-02 4626
定义 　　在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种 特殊 的迁移学习 叫做域适应 （Domain Adaptation）。 Domain adaptation有哪些实现手段呢？ 　　几乎所有的手段都尝试去学习一个特征转换，使得在转换过后的特征空间上，source dataset和target dataset分布的区分度达到最小。现实世界当中这个问题又分为...
（转）Awsome Domain-Adaptation
a1424262219的博客
08-06 524
Awsome Domain-Adaptation 2018-08-0619:27:54 This blog is copied from:https://github.com/zhaoxin94/awsome-domain-adaptation This repo is a collection of AWESOME things about domian ada...
【算法笔记】域适应（Domain Adaptation）
nymph_h的博客
07-18 8763
首先感谢原博主：https://www.cnblogs.com/Terrypython/p/10645520.html 1. 定义 在迁移学习中， 当源域和目标的数据分布不同 ，但两个任务相同时，这种特殊的迁移学习叫做域适应 （Domain Adaptation）。 比如说，我们要实现一个自动区分垃圾邮件的算法。源数据是我的邮箱中的数据。现在要用这个算法对我朋友邮箱中的邮件进行分类。那么这就是两个...
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