Domain Adaptation 与 Generative Adversarial Network

最新推荐文章于 2025-06-16 14:27:32 发布
原创 最新推荐文章于 2025-06-16 14:27:32 发布 · 1.3k 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。

本文介绍了一种名为DANN的无监督域自适应方法，该方法通过使用生成对抗网络(GAN)的思想来实现跨域学习。DANN由特征提取器、类别分类器和域分类器组成，通过负梯度层实现端到端训练。当域分类器无法区分源域和目标域样本时，表明模型已具备域无关的特征提取能力。

域自适应 与 生成对抗网络

1、《Unsupervised domain adaptation by backpropagation》

pytorch 代码：https://github.com/fungtion/DANN

文章：http://sites.skoltech.ru/compvision/projects/grl/files/paper.pdf

扩展版文章：Domain-Adversarial Training of Neural Networks

网络结构：

细节：①网络简称DANN，文章发表于2015年ICML，与GAN（2014年NIPS）同时期，DANN参考文献中有GAN。DANN思想与GAN类似，通过额外的域分类器（domain classifier），当其不能区分任意样本是否来自源域（source domain）或目标域（target domain）时，可以认为对源域的方法同样适用于目标域。

          ②网络包含通用特征提取器（feature extractor，绿色）、类别分类器（label predictor，蓝色）、域分类器（domain classifier，红色）三部分。特征提取器用于提取与域无关的（domain-invariant）

最低0.47元/天 解锁文章
AugGAN-Cross-Domain-Adaptation-with-GAN-based-DataAugmentation:利用生成对抗网络进行车辆检测的高级数据增强
05-15
语义保留图像到图像的翻译 使用语义分割助手进行日夜转换 图1：日夜风格转换结果比较 第一行：SYNTHIA输入图像，第二行：cycle-GAN昼夜输出，第三行：Aug-GAN昼夜输出； 第4行：KITTI输入图像，第5行：cycle-GAN日夜输出，第6行：Aug-GAN日夜输出。 视频1：使用Cycle-GAN进行顺序比较 左：输入序列，中：循环GAN输出，右：AugGAN输出 先决条件 Python 3.6+ scikit-image ， tqdm
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
Similarity-based domain adaptation network：基于相似度的领域自适应网络
qq_43215318的博客
03-29 2722
Accepted 27 December 2021（Neurocomputing），发文高校为吉林大学。 目录1.摘要2.思想3.创新与贡献4.问题的引出5.模型5.1 基于相似性的域差异5.2 基于相似性的自适应网络5.3 优化相似度的自适应网络SBAN5.4 总目标函数6.实验6.1 ImageCLEF-DA（3个域）6.2 Office-31（3个域共31个类）6.3 Office-Home（4个域共65个类）6.4 VisDA（合成域和真实域共12个类）6.5 消融实验7.总结 1.摘要 域适应利用
Conditional Domain Adversarial Network （CDAN）
最新发布
午夜的行人
06-16 1392
CDAN（Conditional Domain Adversarial Network）是一种用于**无监督领域自适应（Unsupervised Domain Adaptation, UDA）**的深度学习方法，通过结合条件对抗学习和特征对齐，显著提升了模型在目标域上的性能。CDAN通过条件对抗学习实现了细粒度的领域对齐，显著优于传统对抗方法。其核心在于联合优化特征表示和类别预测，确保对齐过程中保留语义结构。实际应用中需注意特征维度、动态权重设计等细节以稳定训练。CDAN的核心创新在于。
（AAAI2020）Adversarial Domain Adaptation with Domain Mixup论文笔记
VioletSaber的博客
12-15 1800
（AAAI2020）Adversarial Domain Adaptation with Domain Mixup论文笔记 文章链接 代码链接 基于对抗方式的对齐源域数据和目标域数据。本文提出一种mixup的对齐方式。传统的对齐方式中，直接在对齐源域和目标域的特征分布。而该方法中，构造出一些minup的数据，相当于在源域的特征和目标域的特征之间建立桥梁，逐渐对齐特征。 图中表达的意思是，该方法将构造出一些mixup的图片，通过这些图片建立源域和目标域之间的联系，从而对齐源域的特征和目标域的特征。 模型结构
[论文阅读] CyCADA: Cycle-Consistent Adversarial Domain Adaptation
xiongxyowo的博客
09-23 2232
领域自适应对于在新的、未见过的环境中取得成功至关重要。对抗性适应模型在适应新环境方面取得了巨大的进展，它专注于发现领域不变的表征或通过在未配对的图像领域之间进行映射。虽然特征空间方法很难解释，而且有时不能捕捉到像素级和低级领域的转变，但图像空间方法有时不能纳入与最终任务有关的高级语义知识。我们提出了一个模型，该模型使用生成性图像空间对齐和潜在表征空间对齐来适应不同领域。
对抗对齐分布--Adversarial Domain Adaptation for Cross-lingual Information Retrieval with Multilingual BERT
weiwei935707936的博客
11-25 894
Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks（小白学GAN 十二）
fan1102958151的博客
06-18 1044
原文链接：https://arxiv.org/pdf/1612.05424.pdf 简介 基础结构 代码与实践结果
只需少量数据就能适应网络——《FEW-SHOT ADAPTATION OF GENERATIVE ADVERSARIAL NETWORKS》论文解析
wenqiwenqi123的博客
12-07 6937
今天来看一篇few-shot适应的论文，还挂在arxiv上，同时在github上也有开源的项目：http://www.estherrobb.com/few-shot-gan/ 这篇文章来自弗吉尼亚理工和谷歌研究院。谷歌研究院就喜欢搞一些开源、video什么的。 那么这篇文章做了一件什么事呢？对于一个生成网络，我们本来需要大量的数据才能训练出一个好的结果，但是在某些情况下，我们只能获得少量的数据。因此合理地利用先验知识，在这个域中只使用少量数据就得到较好的结果就变得有必要了。 那么就来看看是怎么做的吧：
【论文阅读】Identity Preserving Generative Adversarial Network for Cross-Domain Person Re-identification
weixin_43169773的博客
08-04 989
Identity Preserving Generative Adversarial Network for Cross-Domain Person Re-identification 这篇文章2019年被发表在IEEEacess期刊 无监督 跨域 摘要 行人再识别任务要求； 问题：由于源域和目标域之间的偏差，大多数现有的人员再识别(re-ID)模型常常不能很好地从源域泛化。在源域中，模型被训练...
Identity Preserving Generative Adversarial Network for Cross-Domain Person Re-identification
sinat_42239797的博客
03-09 661
论文出处：https://ieeexplore.ieee.xilesou.top/stamp/stamp.jsp?arnumber=8792068 时间：2019年 文章目录摘要：主要研究内容方法介绍1. Baseline Re-ID Model2. StarGAN Revisit3. IPGAN4. IBN-re-ID model 摘要： 人员重新识别是从行人检测器检测到的不同摄像机下的行人图像...
域对抗网络Domain adversarial neural network及其应用相关论文
MasterQKK
04-01 4492
Domain-Adversarial Training of Neural Networks， JMLR Developing Personalized Models of Blood Pressure Estimation A Principled Approach for A Principled Approach for Learning Task Similarity in Multitask Learning MULTI-DOMAIN ADVERSARIA
Multi-Adversarial Domain Adaptation
erciyuan_的博客
05-14 5324
前面我们介绍完domain adaptation 下面我们来看一篇论文《Multi-Adversarial Domain Adaptation》发表在2018年的AAAI上面，作者是清华大学龙明盛老师的学生。 我们知道，在domain adaptation中存在两个挑战： (1)加强正向转移 通过最大限度地匹配跨域底层数据分布的多模结构 (2)缓解负迁移 通过防止跨域不同分布模式的错误对齐 原来我...
小样本学习记录————在提取特征中对抗的小样本Meta-Learning Adversarial Domain Adaptation Network for Few-Shot（MLADA）
yunlong_G的博客
12-21 2040
Meta-Learning Adversarial Domain Adaptation Network for Few-Shot，元学习对抗性领域自适应网络(MLADA)的论文阅读笔记，将GAN思想与小样本结合的文本分类。
Domain-Adversarial Neural Networks分析
XYlittlework的博客
04-08 6700
· 转载请注明出处网址~ · 交流讨论、合作咨询请添加微信：yx_imagination ------------------------------------------------分割线----------------------------------------------- 1：什么是representation learning？ representations of dat...
Adversarial Discriminative Domain Adaption 阅读笔记
11-23 1144
文章发表于 CVPR 2017 文章利用GAN网络的思想用于cross-domain识别 文章首先提到         1 先前的生成网络不适用于大的domain shift         2 先前的辨别网络施加固定的权重，没有利用GAN的loss 1 introduction         一般而言，对于这种跨领域的任务，最简单的思想就是先训练source
【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks
qq_40867596的博客
07-13 3231
【论文翻译】Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks1.研究背景和目的2.域适应方法（DOMAIN ADAPTATION METHODS）2.1basic idea2.2传统方法2.3对抗网络方法（Adversarial Network Methods）3.数据以及预处理4.域适应结果和讨论4.1域适应设置（实验设置）4.2实验结果 论文链接：http://bcmi.sjtu.edu.cn/~zhe
Domain adversarial graph convolutional network for fault diagnosis 论文阅读笔记
weixin_45868623的博客
11-07 1142
然而，现有的基于UDA的方法大多只使用前两种信息，而忽略了数据结构的建模，使得深层网络提取的特征中包含的信息不完整。然后，将得到的图输入到GCN中，将数据结构信息嵌入到节点特征中。为了获得节点特征矩阵X，首先利用CNN（例如LeNet）从输入数据中捕获特征，并且提取的特征映射可以表示为X=CNN(Xmput)，其中Ximpur是一个小批量输入矩阵。通过最小化定义的总体目标函数和优化DAGCN的参数，可以获得域不变和区分性特征，从而使用标记源域数据训练的分类器能够正确地对未标记目标域的数据进行分类。
域自适应Domain Adaptation
ProceduralMan的博客
07-25 1679
这样做的目的是通过最大化均值差异来缩小源域和目标域之间的差异，提高模型的泛化能力和性能。通过学习源域和目标域之间的差异，来实现将源域的模型迁移到目标域的能力。使用源域的数据训练一个SVM模型，然后将源域的数据通过特征变换映射到目标域的特征空间中，并在目标域上微调模型。这样做的目的是通过特征变换来缩小源域和目标域之间的差异，提高模型的泛化能力和性能。这样做的目的是通过特征变换来缩小源域和目标域之间的差异，提高模型的泛化能力和性能。：使用目标域的数据对模型进行微调，进一步提高模型在目标域上的性能。
Domain adaptation
04-04
Domain adaptation is a type of machine learning technique that is used to transfer knowledge from one domain to another. In other words, it is the process of modifying a model that was trained on one domain (e.g. images of cats) so that it can perform well on another, related domain (e.g. images of lions). The need for domain adaptation arises when the training data and the testing data come from different distributions. In such cases, a model trained on one domain may not perform well on another domain, as the features that are relevant in one domain may not be relevant in the other. Domain adaptation techniques attempt to bridge this gap by adapting the model to the new domain. This can be achieved by various means, such as re-weighting the training data, learning domain-invariant features, or using domain-specific knowledge to modify the model. Domain adaptation has applications in various fields, including computer vision, natural language processing, and speech recognition.
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