adaptation 第6页

Semantic Consistent UnsupervisedDomain Adaptation for Cross-https:ModalityMedical Image Segmentation

语义分割论文MICCAI2021:SemanticConsistentUnsupervisedDomainAdaptationforCross-ModalityMedicalImageSegmentation

LANG_C_·2023-02-04 09:03

Domain Adaptation Meets Zero-Shot Learning:An Annotation-Efficient Approachto Multi-Modality Medic

TMI2022DomainAdaptationMeetsZero-ShotLearning:AnAnnotation-EfficientApproachtoMulti-ModalityMedicalImageSegmentationTMI2022DomainAdaptationMeetsZero-ShotLearning

LANG_C_·2023-02-04 09:02

深度学习模型中的过拟合良方【Dropout】

是由“AI教父”GeoffHinton在其论文《Improvingneuralnetworksbypreventingco-adaptationoffeaturedetectors》中提出并在论文《Dropout

superY25·2023-02-04 08:13

Discovering Latent Domains for Multisource Domain Adaptation 聚类在域适应中的应用

论文地址：http://www.icsi.berkeley.edu/pubs/vision/Hoffman_ECCV2012.pdf。简介这篇论文为Hoffman发于2012年ECCV，虽然是12年的，但是新颖之处在于其将聚类的方法用到了域适应中。该方法针对于多源域域适应场景，并且还不知道数据属于哪个域的情况-----因为在一个数据集中可能数据就属于不同的域，如下情况：为了在不知道数据哪个域的情况

GLee923·2023-02-03 18:04

Multi-Target Domain Adaptation with Collaborative Consistency Learning

全文翻译摘要由于在真实世界图像上进行像素级标注的成本很高，最近用于语义分割任务的无监督域适应变得越来越流行。然而，大多数域适应方法仅限于单源单目标对，无法直接扩展到多个目标域。在这项工作中，我们提出了一个协作学习框架来实现无监督的多目标域适应。首先为每个源-目标对训练一个无监督的域适应专家模型，并通过在不同目标域之间建立的桥梁进一步鼓励相互协作。这些专家模型进一步改进，增加了对具有相同结构化上下文

谷子君·2023-02-02 09:06

ICML 2020 | 小样本学习首次引入领域迁移技术，屡获新SOTA结果

2020-06-2202:19:23本文介绍的是ICML2020论文《Few-ShotLearningasDomainAdaptation:AlgorithmandAnalysis》，论文作者来自中国人民大学卢志武老师组

喜欢打酱油的老鸟·2023-01-31 16:32

综述：演化遗传学发展历史简介

本文主要翻译并精简自文章：Orr,H.Thegenetictheoryofadaptation:abriefhistory.NatRevGenet6,119–127(2005).https://doi.org

浓香鸭腿面·2023-01-30 08:41

ST3D++: Denoised Self-training for Unsupervised Domain Adaptation on 3D Object Detection

ST3D++:DenoisedSelf-trainingforUnsupervisedDomainAdaptationon3DObjectDetectionMethodHybridQuality-awareCriterionforScoringSource-assistedSelf-denoisedTraining

zhSunw·2023-01-29 20:11

ICCV：SPG论文理解

SPG:UnsupervisedDomainAdaptationfor3DObjectDetectionviaSemanticPointGenerationAlgorithmHideandPredictSemanticAreaExpansionLossExperimentsOD

zhSunw·2023-01-29 20:11

cross_domain_adaptation

FeatureTransformationEnsembleModelwithBatchSpectralRegularizationforCross-DomainFew-ShotClassificationsetup:sourcewithdataandlabel;targetwithdataandnolabel3works:Constructanensemblepredictionmodelbype

weixin_39656383·2023-01-29 20:06

Domain Adaptation 2019 Conference Papers

103538656AbbreviationPaperTitleSourceLinkCodeTagsDTADroptoAdapt:LearningDiscriminativeFeaturesforUnsupervisedDomainAdaptationICCV2019

赵晓枫·2023-01-29 20:34

CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化

CVPR2019:Domain-SpecificBatchNormalizationforUnsupervisedDomainAdaptation无监督域适配的特定域批处理规范化0.摘要1.概述2.预备知识

HheeFish·2023-01-29 20:33

ICCV2019-SSF-DAN: Separated Semantic Feature based Domain Adaptation Network for Semantic Segmentati

SSF-DAN:SeparatedSemanticFeaturebasedDomainAdaptationNetworkforSemanticSegmentation基于分离语义特征的域适应网络的语义分割

HheeFish·2023-01-29 20:03

Self-Ensembling For Visual Domain Adaptation

Self-EnsemblingForVisualDomainAdaptation视觉域自适应的自封装目录Self-EnsemblingForVisualDomainAdaptation视觉域自适应的自封装

qq_41206605·2023-01-29 19:00

Unsupervised Pixel–Level Domain Adaptation with Generative Adversarial Networks（小白学GAN 十二）

原文链接：https://arxiv.org/pdf/1612.05424.pdf简介背景：目前很多基于监督的学习方法成功的关键都是大量的数据，然而实际中去收集足够样本是困难的。于是，生成数据样本是一种可取的方案，本文就是使用GAN来将一个域中的数据转化到另一个域中。核心思路：将已有的源数据以随机噪声为条件的情况下一同输入生成器生成新的数据，并将此数据通过判别器来分辨真伪，并通过T网络进行训练。基

飓风神龙·2023-01-29 19:56

2019 Domain-Specific Batch Normalization for Unsupervised Domain Adaptation

论文地址：https://arxiv.org/pdf/1906.03950v1.pdf代码地址：https://github.com/wgchang/DSBN1研究动机与研究思路研究动机：因为源域和目标域领域具有不同的特征，通过分离领域特定信息和领域不变信息可以获得更好的泛化性能。为了分离领域特定信息进行无监督的领域自适应，本文提出了一种新的基于特定域批归一化的无监督域适应框架DSBN,通过在卷积

谷子君·2023-01-29 19:20

2020 Minimum Class Confusion for Versatile Domain Adaptation

论文地址：ECCV2020《MinimumClassConfusionforVersatileDomainAdaptation》代码地址：https://github.com/thuml/Versatile-Domain-Adaptation1

谷子君·2023-01-28 15:56

[论文评析]Adaptive Boosting for Domain Adaptation: Towards Robust Predictions in Scene Segmentation,TIP

AdaptiveBoostingforDomainAdaptation:TowardsRobustPredictionsinSceneSegmentation论文信息背景动机方法模型结构AdaptivedatasamplerAggregation

MasterQKK 被注册·2023-01-26 14:52

无监督与领域自适应的行人重识别任务(Re-ID)

参考链接：IntroductiontoMutualMean-Teaching(ICLR2020),StructuredDomainAdaptation,VisDA-2020Solution(ECCVW2020

努力学习DePeng·2023-01-25 07:16

领域自适应论文（六十六）：CDTrans: Cross-domain Transformer for Unsupervised Domain Adaptation

CtrlZ1·2023-01-25 07:15

从论文中学习篇1——海底捞的机器学习自学日记（二）

Mid-Sep·2023-01-21 03:30

（域自适应）《Time Series Domain Adaptation via Sparse Associative Structure Alignment》论文总结

个人博客地址：https://travis1024.github.io/TimeSeriesDomainAdaptationviaSparseAssociativeStructureAlignment1

travis_cloud·2023-01-21 03:29

迁移学习——域自适应

DomainAdaptation1.源域与目标域区别在哪？

Raywit·2023-01-21 02:59

【深度学习复习】重要知识点四

目录无监督学习domainadaptation（迁移学习）样本自适应特征自适应模型自适应零样本学习（Zero-ShotLearning）RNN为什么会梯度消失和爆炸消失还是爆炸具体分析SENetSENet

拟禾·2023-01-21 02:27

EMNLP2021 generation相关论文

ContrastiveDomainAdaptationforQuestionAnsweringusingLimitedTextCorpora$Q^2$:EvaluatingFactualConsistencyinKnowledge-GroundedDialoguesviaQuestionGenerationandQuestionAnsweringALarge-ScaleDatasetforEmpa

wang2008start·2023-01-20 05:59

最优传输论文（十一）：Multi-source Domain Adaptation in the Deep Learning Era: A Systematic Survey论文原理

这里写目录标题前言BackgroundandMotivationProblemDefinitionDatasetsDeepMulti-sourceDomainAdaptationLatentSpaceTransformationIntermediateDomainGenerationConclusionandFutureDirections

CtrlZ1·2023-01-19 09:12

DSAN代码:Deep Subdomain Adaptation Network forImage Classification

DSAN.pyimporttorchimporttorch.nnasnnimportResNetimportlmmdclassDSAN(nn.Module):def__init__(self,num_classes=31,bottle_neck=True):super(DSAN,self).__init__()self.feature_layers=ResNet.resnet50(True)sel

学好迁移Learning·2023-01-17 17:43

域自适应学习分割：ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation

1、ADVENT:AdversarialEntropyMinimizationforDomainAdaptationinSemanticSegmentation目的：这篇文章和前几篇一样的思想，都是用对抗学习的思想来做域自适应学习分割

weixin_43673376·2023-01-14 23:58

语义分割CVPR2019-ADVENT: Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation

ADVENT:AdversarialEntropyMinimizationforDomainAdaptationinSemanticSegmentation基于对抗熵最小化的语义分割领域适应方法0.摘要

HheeFish·2023-01-14 23:56

《ADVENT：Adversarial Entropy Minimization for Domain Adaptation in Semantic Segmentation》论文笔记

这篇文章针对分割场景下的domainadaptation问题提出在像素预测结果上使用基于熵的损失，既是文章为domainadaptation提出两种损失：entropyloss和GAN的对抗损失，从而降低文章提出的

m_buddy·2023-01-14 23:54

论文笔记&&网络复现：Learning to Adapt Structured Output Space for Semantic Segmentation

最近阅读了一篇论文，介绍了一个语义分割中比较小众的研究方向——域自适应（UnsupervisedDomainAdaptation，UDA）。

ZwaterZ·2023-01-14 23:51

Domain Adaptation via Prompt Learning论文解读

摘要部分无监督域自适应（UDA）旨在将从注释良好的源域学习到的模型自适应到只给出未标记样本的目标域。当前的UDA方法通过对齐源和目标特征空间来学习域不变特征。这种对齐是由统计差异最小化或对抗性训练等约束条件强加的。然而，这些约束可能导致语义特征结构的扭曲和类的可辨别性的丧失。在本文中，我们介绍了一种新的UDA提示学习范式（promptlearningparadigm），即通过提示学习进行域适应（D

yeeeeeeeeeeees·2023-01-14 12:59

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

摘要我们为元学习提出了一个算法是模型无关model−agnosticmodel-agnosticmodel−agnostic.在某种意义上，其与用梯度下降训练的模型是兼容的，可以应用在大量不同的学习问题上。包括：分类、回归、和加强学习。元学习的目标是正在学习任务上变体的modelmodelmodel。其能够仅使用小数量的训练示例去解决新的正在学习的任务learningtask在我们的方法中，模型的

big_matster·2023-01-14 12:28

【论文笔记：Progressive Feature Alignment for Unsupervised Domain Adaptation 2019 CVPR】

ProgressiveFeatureAlignmentforUnsupervisedDomainAdaptation概览动机PFAN结构图理论分析插图实验结果1.Introduction2.RelatedWork3

十月十二日·2023-01-13 16:39

【Asymmetric Tri-training for Unsupervised Domain Adaptation 2017 ICML】

论文笔记：AsymmetricTri-trainingforUnsupervisedDomainAdaptation速览背景及方法模型概览结果观察总结IntroductionRelatedWorkMethodLossforMultiviewFeaturesNetworkLearningProcedureandLabelingMethodBatchNormalizationforDomainAdap

十月十二日·2023-01-13 16:09

【论文笔记：Unsupervised Domain Adaptation via Structured Prediction Based Selective Pseudo-Labeling】

UnsupervisedDomainAdaptationviaStructuredPredictionBasedSelectivePseudo-Labeling基于结构化预测的选择性伪标记的无监督域自适应

十月十二日·2023-01-13 16:08

Normalized Wasserstein for Mixture Distributions with Applications in Adversarial Learning and DA

NormalizedWassersteinforMixtureDistributionswithApplicationsinAdversarialLearningandDomainAdaptationAbstractIntroductionNormalizedWassersteinMeasureNormalizedWassersteininDomainAdaptationUDAforsupervi

十月十二日·2023-01-13 16:38

赛事比赛|FLAIR遥感语义分割和域适应、baseline

1.比赛名称FLAIR#1:Semanticsegmentationanddomainadaptation2.赛题背景我们在这里展示了一个大型数据集（>200亿像素）的航空影像、地形信息和土地覆盖（建筑物

海淀小天·2023-01-13 06:48

迁移学习论文解读：《Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering》

存在问题：直接实现源域和目标域对齐会破坏目标数据的内在结构。但是如果先对目标域数据进行聚类，则可以保留完整的目标数据结构。

学好迁移Learning·2023-01-12 18:04

2018Unsupervised Domain Adaptation for Semantic Segmentation via Class-Balanced Self-Training

文章目录一、简单介绍一、简单介绍1）Motivation不采用对抗的方式，也能取得比较好的适应性能，文章想把全局的，具体类别的特征对齐和任务本身用一个简单的loss统一起来一起做；其次，解决在ST方法中，生成的伪标签类别不平衡的问题（伪标签估计的工作）。这里简单介绍下ST方法的优缺点：能够学习更好的决策边界，既能达到让两个域全局特征匹配，也能让类别特征匹配（classwisefeaturealig

weixin_43673376·2023-01-12 18:03

论文阅读：Unsupervised Domain Adaptation for Face Recognition in Unlabeled Videos

概述：UnsupervisedDomainAdaptationforFaceRecognitioninUnlabeledVideos，ICCV2017的文章，实现的是用domainadaptation技术将没有

yangfuweivip·2023-01-12 18:55

《论文阅读》xMUDA: Cross-Modal Unsupervised Domain Adaptation for 3D Semantic Segmentation

留个笔记自用xMUDA:Cross-ModalUnsupervisedDomainAdaptationfor3DSemanticSegmentation做什么Instancesegmentation实例分割目标检测

未知丶丶·2023-01-12 18:51

论文阅读：Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision

UnsupervisedIntra-domainAdaptationforSemanticSegmentationthroughSelf-Supervision原文链接：点击下载文章目录UnsupervisedIntra-domainAdaptationforSemanticSegmentationthroughSelf-Supervision

CccMing、、、·2023-01-12 18:46

Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation

WuF,ZhuangX.Unsuperviseddomainadaptationwithvariationalapproximationforcardiacsegmentation[J].IEEETransactionsonMedicalImaging

odss·2023-01-12 18:13

高光谱图像域适应论文（一）Unsupervised Domain Adaptation With Dense-Based Compaction for Hyperspectral Imagery

前言本文主要是在ADDA的基础上采用了以Densenet为框架的特征提取器网络，需要注意的地方就是本文末Eq7,如何进行域混淆。什么是DenseNet?DenseNet中每个层都会接受其前面所有层作为其额外的输入（见图2DenseBlock），类似于ResNet。DenseNet的另一大特色是通过特征在channel维度上的连接来实现特征重用（featurereuse）。这些特点让DenseNet

shawchan9·2023-01-12 18:54

鲁棒SV--解纠缠的说话人embedding

DISENTANGLEDSPEAKEREMBEDDINGFORROBUSTSPEAKERVERIFICATION摘要speakerfeatures和冗余features的纠缠使得SV在unseen-domain表现差；为了解决这个问题，本文提出InfoMaxdomainseparation&adaptationnetwork

深海的银·2023-01-12 13:05

迁移学习——Balanced Distribution Adaptation for Transfer Learning

《BalancedDistributionAdaptationforTransferLearning》学习2017IEEEInternationalConferenceonDataMining文章目录摘要一

orokok·2023-01-12 12:37

迁移学习——Aggregating Randomized Clustering-Promoting Invariant Projections for Domain Adaptation

《AggregatingRandomizedClustering-PromotingInvariantProjectionsforDomainAdaptation》学习IEEETRANSACTIONSONPATTERNANALYSISANDMACHINEINTELLIGENCE