Adaptation 第8页

最优传输论文（六）Multi-Source Distilling Domain Adaptation

前言本文提出了一种多源域适应方法，方法分为四步：1.为每个源域分别训练特征提取器和分类器。2.学习目标编码器FTi将目标特征映射到源域空间。类似于GAN对抗训练方式，1）训练Di来最大化从FTi编码后的目标特征和源特征的Wasserstein距离，目的是将源域目标域特征进行区分。2）训练FTi来使Di出错，最小化FTi编码后目标特征和源特征的Wasserstein距离，将二者进行混淆3.选取Was

shawchan9·2022-12-27 21:42

去雨去雾资料整理

CVPR2020｜图像重建(超分辨率，图像恢复，去雨，去雾，去模糊，去噪等)相关论文汇总https://www.cnblogs.com/Kobaayyy/p/13163056.html#domain-adaptation-for-image-dehazing

Hz_xi·2022-12-27 21:29

基于脑电信号的情绪识别-论文学习

AreviewofEEGfeaturesforemotionrecognition》论文题目：《EEG-BasedEmotionRecognitionUsingDeepLearningNetworkwithPrincipalComponentBasedCovariateShiftAdaptation

ipv-tao·2022-12-26 12:28

【阅读笔记】Blockchain management and ML adaptation for IoT environment in 5G and beyond ...

本文目录【阅读笔记】BlockchainmanagementandmachinelearningadaptationforIoTenvironmentin5Gandbeyondnetworks:Asystematicreview

文三路张同学·2022-12-26 10:13

迁移学习——入门简介

原文地址：迁移学习——入门简介目录一、简介二、迁移学习常用概念三、迁移学习的分类按照学习方式分四类按迁移情境分三类按特征空间分两类四、迁移学习热门研究领域域适配问题(domainadaptation)迁移方法一

colourmind·2022-12-26 09:56

遗传算法简介

它最初由J.Holland教授和他的学生于1975年提出来，并且他们出版了颇有影响的专著《AdaptationinN

热衷编码的小白·2022-12-26 08:51

NLP-D8-李宏毅机器学习---预训练模型问题&adaptation&explainable AI&RL&learningmap

----0648今天还是醒的挺早的，4点50就起床了。在犹豫是去看比赛，还是把老师的课听完。因为还是很想看无监督学习和强化学习的，最后决定先看课叭。看了姜成翰助教关于预训练模型中遇到问题的讲解。一共讲了两个问题，以及相应解决方法：1、数据量小，模型难以fine-tune的问题2、参数量过大问题其中我产生了两个问题：1、promt-tuning和fine-tuning有什么不同？大体来说，原来是多加

甄小胖·2022-12-25 21:31

TIP2022｜领域迁移Adaboost，让模型“选择”学哪些数据

.pdf作者：ZhedongZheng，YiYang代码链接：GitHub-layumi/AdaBoost_Seg:TIP2022AdaptiveBoosting(AdaBoost)forDomainAdaptation

Layumi1993·2022-12-25 17:23

【补充知识】支持向量机和核函数

“Domainadaptationundertargetandconditionalshift.”InternationalConferenceonMachineLearning.2013.这篇里讲到要用核函数的方法避免计算协变量

ViviranZ·2022-12-25 10:55

NeurIPS 2022 | 中山大学&华为诺亚方舟联合提出：快速适应统一自动驾驶场景多任务学习的训练范式

id=4164作者：梁曦文本篇分享的NeurIPS2022论文EffectiveAdaptationinMulti-TaskCo-TrainingforUnifiedAutonomousDriving，

TechBeat人工智能社区·2022-12-24 20:04

（AAAI2020）Adversarial Domain Adaptation with Domain Mixup论文笔记

（AAAI2020）AdversarialDomainAdaptationwithDomainMixup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。

SkyrimT·2022-12-23 13:50

Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)

摘要：现有的去雾方法大多是在合成的雾霾图像上训练去雾模型，但由于域的偏移，对真实的雾霾图像的泛化效果较差。故提出一种领域自适应模式，该模式由一个图像平移模块和两个图像去雾模块组成。具体来说，首先应用一个双向网络，通过将图像从一个域转换到另一个域，来弥补合成域和真实域之间的差距。然后，使用平移前后的图像训练两个具有一致性约束的图像去雾网络。在这一阶段，利用清晰图像的特性（如暗通道先验和图像梯度平滑）

西北有风·2022-12-22 19:18

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

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

推荐频道

Adaptation