Adaptation)

深度学习进行领域适应(Domain Adaptation)开山之作

来自：SimpleAI论文标题：DomainAdaptationforLarge-ScaleSentimentClassification:ADeepLearningApproach会议/期刊：ICML
zenRRan·2022-12-22 19:41

2020-TMI-Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic

作者在论文中提到在生成图像空间的特征对齐。这块理解有点不清楚？对于目标域到源域生成器（由E&U组成）生成的类源图像，作者添加一个附加任务至源判别器来区分所生成的图像/输入图像是从重建得到，还是从真实目标图像变化而来。如果判别器能成功地区分出生成图像的域，意味着所提取到的特征仍然包含域特征。为了确保特征域不变性，以下对抗损失被运用来监督特征提取的过程。值得注意的是编码器E被鼓励提取域不变特征，通过从
开心就哈哈·2022-12-22 09:43

医学图像多模分割论文列表2

TMI2021AdaptEverywhere:UnsupervisedAdaptationofPoint-CloudsandEntropyMinimizationforMulti-ModalCardiacImageSegmentation
胖头猫·2022-12-22 09:10

Generalizing to Unseen Domains: A Survey on Domain Generalization 论文分享

这篇论文应该是领域泛化领域第一篇综述，楼主花了些时间较为仔细的读了一下，写了这篇笔记1.理论分析(论文所有的分析都基于二分类问题，分析工具会用到VC维)DomainAdaptation中的errorbounderrorbound
dailleson_·2022-12-22 09:38

EmotionGAN: Unsupervised Domain Adaptation for Learning Discrete Probability Distributions of Image

1.摘要深度神经网络在具有大规模标签训练数据的各种基准视觉任务上表现良好；但是，获得这样的训练数据既昂贵又费时。由于域移动或数据集偏差，将在大规模标记的源域上训练的模型直接转移到另一个稀疏标记或未标记的目标域上通常会导致性能下降。在本文中，我们考虑了图像情感识别中的领域适应问题。具体来说，我们研究如何以无监督的方式使图像情感从源域到目标域的离散概率分布适应。我们开发了一种用于情感分布学习的新型对抗
whutmengmeng·2022-12-21 09:18

Meta Correction: Domain-aware Meta Loss Correction for Unsupervised Domain Adaptation in Semantic Se

1）算法简介DMLC(Domain-awareMeta-learningstrategyisdevisedtobenefitLossCorrection)引入NTM（noisetransitionmatrix）矩阵，用domain-invariantsourcedata构造metadata，去guideNTM的估计。发表在CVPR2021，应该是目前UDA语义分割最好结果，GT5–>CitySpc
weixin_43673376·2022-12-20 18:53

CMAES

CMAES文章：TheCMAEvolutionStrategy:ATutorialWiki：CMA-ESGitHubdocPythoncode什么是CMA(CovarianceMatrixAdaptation
臻甄·2022-12-20 15:10

目标检测域适应D_Adapt模型

论文：DecoupledAdaptationforCross-DomainObjectDetection作者的知乎帖子：ICLR2022跨域物体检测的解耦自适应方法D-adapt代码：object_detection
咚咚锵咚咚锵·2022-12-20 14:35

【算法】最大均值差异（Maximum Mean Discrepancy, MMD）损失函数原理与python代码

MMD介绍MMD（最大均值差异）是迁移学习，尤其是Domainadaptation（域适应）中使用最广泛（目前）的一种损失函数，主要用来度量两个不同但相关的分布的距离。
zkq_1986·2022-12-19 20:17

最大均值差异（Maximum Mean Discrepancy, MMD）损失函数代码解读（Pytroch版）

代码及参考资料来源Sourcecode:easezyc/deep-transfer-learning[Github]参考资料：迁移学习简明手册MMD介绍MMD（最大均值差异）是迁移学习，尤其是Domainadaptation
wuguangbin1230·2022-12-19 20:16

论文解读-Adaptation with Residual Transfer Networks>

论文题目：《UnsupervisedDomainAdaptationwithResidualTransferNetworks》论文信息：NIPS2016,MingshengLong,HanZhu,JianminWang
海边的第八只螃蟹·2022-12-19 20:42

Adaptation Networks>caffe 添加MMDLoss层(caffe 自定义网络层)

这篇文章主要通过《LearningTransferableFeatureswithDeepAdaptationNetworks》这篇论文，增加MMDLoss网络层，对caffe增加网络层进行讲解。
海边的第八只螃蟹·2022-12-19 20:12

A DIRT-T APPROACH TO UNSUPERVISED DOMAIN ADAPTATION

基本问题和动机：领域自适应（Domainadaptation）是指利用源域（sourcedomain）中的标记数据来学习一个可以应用于无标签（或
LeiGaiceong·2022-12-19 09:30

[论文解析] Diffusion Guided Domain Adaptation of Image Generators

projectlink:https://styleganfusion.github.io/文章目录OverviewWhatproblemisaddressedinthepaper?Whatisthekeytothesolution?Whatisthemaincontribution?IntroductionBackgroundLatentdiffusionmodelClassifier-freeg
_Summer tree·2022-12-15 10:04

nnU-Net论文笔记

Theadaptationof
滴嘟滴嘟dzj·2022-12-14 14:30

ICLR2022系列解读之一：基于Transformer的跨域方法CDTrans

本文解读我们ICLR2022上发表的论文《CDTrans:Cross-domainTransformerforUnsupervisedDomainAdaptation》。
AI Earth地球科学云平台·2022-12-14 10:54

Self-similarity Grouping : Person Re-identification 论文笔记

Self-similarityGrouping:ASimpleUnsupervisedCrossDomainAdaptationApproachforPersonRe-identification论文笔记
ddingddong~·2022-12-14 05:38

解决实例分割中的长尾问题，增益5个点。FASA，cvpr2021

FASA：FeatureAugmentationandSamplingAdaptationforLong-TailedInstanceSegmentation论文地址：https://arxiv.org
放牛娃子·2022-12-14 00:24

Multi-Source Domain Adaptation with Mixture of Experts

Motivation本文出发点还是荣multi-sourcedomainadaptation出发，如何利用多个sourcedomain的知识，来更好的预测targetdomain.还是从target的分布可以用
xpc_buaa·2022-12-13 18:28

域自适应的理解与想法（Domain Adaptation）

DomainAdaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。
yuanxue18·2022-12-13 18:28

domain adaptation 领域自适应

领域自适应是迁移学习中转导迁移学习的重要子问题。迁移学习是指两个不同领域的知识迁移过程，利用源领域中学到的知识帮助目标领域上的学习任务。源领域的训练样本数量一般远大于目标领域。迁移学习根据不同的迁移方式，分为两个类型，归纳迁移学习和转导迁移学习。归纳学习（InductiveLearniing）是希望在训练数据集上学习到使得期望风险（即真实数据分布上的错误率）最小的模型。与传统监督机器学习一样，是基
开心邮递员·2022-12-13 18:58

深度学习时代的多源域适应 : 系统的 Survey

Multi-sourceDomainAdaptationintheDeepLearningEra:ASystematicSurvey[paper]目录Multi-sourceDomainAdaptationintheDeepLearningEra
Phoenixtree_DongZhao·2022-12-13 18:57

初入领域自适应DomainAdaptation

15年的文章：UnsupervisedDomainAdaptationbyBackpropagation雷郭出品DomainAdatation的定义本文的领域自适应的独特之处本文方法的梗概本文的citing
WhyNotFocus·2022-12-13 18:27

【机器学习】李宏毅——Domain Adaptation(领域自适应)

在前面介绍的模型中，一般我们都会假设训练资料和测试资料符合相同的分布，这样模型才能够有较好的效果。而如果训练资料和测试资料是来自于不同的分布，这样就会让模型在测试集上的效果很差，这种问题称为Domainshift。那么对于这种两者分布不一致的情况，称训练的资料来自于SourceDomain，测试的资料来自于TargetDomain。那么对于领域转变的问题，具体的做法随着我们对于目标领域的了解程度不
FavoriteStar·2022-12-13 18:26

领域自适应(Domain Adaptation)和多源领域自适应(Multi-source Domain Adaptation)

本文摘自于：https://www.cnblogs.com/Jason66661010/p/13565283.htmlhttps://blog.csdn.net/weixin_42555985/article/details/105086552https://blog.csdn.net/qq_38157877/article/details/85678879https://blog.csdn.ne
lihe2021·2022-12-13 18:26

MAML（Model-Agnostic Meta-Learning）

Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks摘要MAML(Model_agnosticmeta-learning)元学习问题建立N-wayK-shot
weixin_40248634·2022-12-12 20:07

【元学习】Model-Agnostic Meta-Learning （MAML）模型介绍及算法详解

MAML在学术界已经是非常重要的模型了，论文Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks自2017年发表至今已经收获了400+的引用
devil_son1234·2022-12-12 20:36

Model-Agnostic Meta-Learning （MAML）模型介绍及算法详解

在学习联邦学习过程中，有涉及到MAML的内容，这里将学习资料做转载原文地址添加链接描述MAML在学术界已经是非常重要的模型了，论文Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks
联邦学习的道路上·2022-12-12 20:05

(MAML)Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

参考博客：https://blog.csdn.net/weixin_37589575/article/detailshttps://blog.csdn.net/weixin_41803874/article/details/89645667https://blog.csdn.net/weixin_41803874/article/details/91454944论文翻译：https://blog.
alicecv·2022-12-12 20:05

最优传输论文(五)Multi-Adversarial Domain Adaptation

前言这篇文章是根据经典DANN衍生出来的，DANN是只有一个域鉴别器，而MADA对应每个类都有一个域鉴别器，基本原理都一样，建议先看看DANN，学会梯度翻转层，看明白代码再来看这篇文章。需要注意的一点操作是给生成特征Gf(x)进行加权得到yki*Gf(xi),不仅能将无关的类通过概率过滤掉，而且能训练出不同的每个Gkd对应的θkd，将每个点xi与最相关的类进行对齐，避免了负迁移。Introduct
shawchan9·2022-12-12 16:56

迁移学习论文（五）：Learning Semantic Representations for Unsupervised Domain Adaptation论文原理及复现工作

目录前言原理阐述文章介绍模型结构模型总述超参数设置总结前言本文属于我迁移学习专栏里的一篇，该专栏用于记录本人研究生阶段相关迁移学习论文的原理阐述以及复现工作。本专栏的文章主要内容为解释原理，论文具体的翻译及复现代码在文章的github中。原理阐述文章介绍这篇文章于2018年发表在ICML会议，作者是ShaoanXie、ZibinZheng、LiangChen、ChuanChen。这篇文章解决的主要
CtrlZ1·2022-12-12 11:51

领域自适应（Domain adaptation）——源域和目标域并不独立同分布

网上很多大佬的文章都写的很好，我引用了他们的一部分，所以在此列出并感谢各位大佬：https://zhuanlan.zhihu.com/p/21441807https://blog.csdn.net/u013841196/article/details/80957057领域自适应所要解决的问题是：当源域和目标域并不是独立同分布时，经典机器学习会出现过拟合问题，分类器的性能不好。领域自适应中，我们通常
凶恶的大恐龙·2022-12-12 11:51

领域适应domain adaptation 学习笔记

domainadaptation经典方法在sourcedomain有大量fullylabeled数据，targetdomain有不完全labeled数据，两个domain之间有gap存在（跨domain
leeeeeeeeeah·2022-12-12 11:50

运行Domain-Adaptive-Faster-RCNN-PyTorch 和 MaskRcnn-benchmark出现的问题及解决办法

然后我看了几篇经典的domainadaptation的论文。接下来，就是想跑下代码，具体看下这个模型咋写的。
Ixiaohuihuihui·2022-12-11 10:24

最优传输论文（二）Deep Joint Distribution Optimal Transport for Unsupervised Domain Adaptation

前言本文使用一种名为DeepJDOT的解决方案来解决域适应问题:通过基于最优传输的联合深度表示/标签的差异度量，我们不仅学习源和目标域之间对齐的新数据表示，而且同时保留分类器使用的鉴别信息。在JDOT中，作者提出利用离散最优输运来匹配源域中类正则性约束下两个域的移位边际分布，联合分布直接使用耦合γ对边缘和类条件分布共同移位进行对齐。但该方法存在两个缺点，本文对此提出了解决方案:1)JDOT方法扩展
shawchan9·2022-12-10 12:38

最优传输论文（三十二）：Deep multi-Wasserstein unsupervised domain adaptation论文原理

文章目录前言摘要1.Introduction2.Relatedwork3.Settingandbackgroundknowledge4.Multi-criticdomainadaptation5.Experiments6
CtrlZ1·2022-12-10 12:08

Deep Domain Adaptation In Computer Vision

Duringthelastdecade,thefieldofComputervisionhasmadehugeprogress.ThisprogressismostlyduetotheundeniableeffectivenessofConvolutionalNeuralNetworks(CNNs).CNNsallowforveryprecisepredictionsiftrainedwithhi
张博208·2022-12-10 12:04

最优传输论文(四)Deep multi-Wasserstein unsupervised domain adaptation

前言代码见：https://github.com/namletien/mcda在域适应过程中，标准泛化边界提示我们最小化三个项的总和:(a)源域真实风险，(b)源和目标域之间的散度，©两个域上理想联合假设的组合误差。本文中提出MCDA方法——最小化前两项，同时控制第三项，从而解决忽略第三项带来的负迁移问题。MCDA受益于高度自信的目标样本(使用softmax预测)，以最小化按类别的Wasserst
shawchan9·2022-12-10 12:32

最优传输论文（六十三）：Contrastive Adaptation Network for Unsupervised Domain Adaptation论文原理

文章目录前言摘要1.Introduction2.RelatedWork3.Methodology3.1.最大平均差异回顾3.2.对比域差异3.3.对比适应网络3.4.OptimizingCAN4.Experiments4.1.Setups4.2.Comparisonwiththestate-of-the-art4.3.消融研究5.Conclusion代码前言文章来自2019年的CVPR
CtrlZ1·2022-12-10 04:12

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）

小样本学习记录————在提取特征中对抗的小样本Meta-LearningAdversarialDomainAdaptationNetworkforFew-Shot（MLADA）Meta-LearningAdversarialDomainAdaptationNetworkforFew-Shot
云溪龙·2022-12-08 14:31

【CVPR 2021】Unsupervised Multi-Source Domain Adaptation for Person Re-Identification (UMSDA)

方法概述1，文章将多源概念引入到了无监督域适应行人重识别当中。2，文章提出了一种修订域特定批归一化模块(RDSBN),可以同时减少域特定信息和增加人物特征的可区别性。3，我们基于多域信息融合（MDIF）开发了图神经网络（GCN），以此来拉近特征空间中的多域。文章目录方法概述内容概要工作概述成果概述方法详解方法框架具体实现实验结果总体评价引用格式参考文献内容概要论文名称简称会议/期刊出版年份base
_Summer tree·2022-12-07 21:21

另一种正则化方法：Drop-Out

Dropout简介1.1在2012年，Hinton在其论文《Improvingneuralnetworksbypreventingco-adaptationoffeaturedetectors》中提出Dropout
Zachos·2022-12-07 06:55

李宏毅机器学习——领域适应Domain Adaptation

李宏毅机器学习作业11——TransferLearning，DomainAdversarialTraining_iwill323的博客-CSDN博客目录domainshift（域的转变）问题出现的原因类型domainadaptation
iwill323·2022-12-05 19:34

李宏毅机器学习作业11——Transfer Learning，Domain Adversarial Training

DomainAdversarialTraining见：李宏毅机器学习——领域适应DomainAdaptation_iwill323的博客-CSDN博客_领域适应迁移学习参见2022CS231nPPT笔记
iwill323·2022-12-05 19:03

MAML：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks论文精读及详解

由于论文写得比较抽象，偏向于数学，因此，在开篇首先谈谈我自己对MAML的理解，在后面再简要的抽取一下论文的核心部分元学习解决的问题首先，对于深度学习领域，模型初始化的权重参数尤为重要，模型参数初始化也会对性能造成很大的影响。对于小样本数据而言，拟合效果差，一方面是数据的影响，模型没有办法拟合得很好，还有就是参数初始化的影响，模型在这个初始化参数下无法收敛得很好，这就是元学习要解决的问题也就是说，元
樱花的浪漫·2022-12-05 11:24

016基于STFT和域自适应的脑电癫痫预测-2021

SeizurePredictioninEEGSignalsUsingSTFTandDomainAdaptation癫痫发作预测是耐药性癫痫最常用的辅助治疗策略之一。
爱吃榴莲的妹妹·2022-12-04 07:56

【图像分割】RGMP：Fast Video Object Segmentation by Reference-Guided Mask Propagation

https://github.com/seoungwugoh/RGMPhttps://github.com/haofengac/RGMP优点：相较于之前的VOS方法，不需要微调或者数据增强和onlineadaptation
努力的袁·2022-12-03 12:09

Blind Image Super-Resolution: A Survey and Beyond

文章目录6EXPLICITDEGRADATIONMODELLING6.1ClassicalDegradationModelwithExternalDataset6.1.1Image-SpecificAdaptationwithoutKernelEstimation6.1.2Image-SpecificAdaptationwithKernelEstimation6.2SingleImageModel
BugMaker-shen·2022-12-03 07:15

CVPR 2021 Object Detection

3DIoUMatch:LeveragingIoUPredictionforSemi-Supervised3DObjectDetectionST3D:Self-TrainingforUnsupervisedDomainAdaptationon3DObjectDetectionSRDAN
苏鱼鱼的小鱼儿·2022-12-02 19:56

【研究生工作周报】（DAI2I）

DomainAdaptiveImage-to-imageTranslation文章目录DomainAdaptiveImage-to-imageTranslation论文摘要一、Domainadaptation
wangyunpeng33·2022-12-01 20:50
上一页 4 5 6 7 8 9 10 11 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他