Domain Adaptation and Image Classification via Deep Conditional Adaptation Network
Guangdong Polytechnic Normal University(广东技术师范大学);Sun Yat-Sen University(中山大学);City University of Hong Kong(香港城市大学)
无监督领域自适应的目的是将在源域上训练的有监督模型推广到未标记的目标域。特征空间的边缘分布对齐被广泛用于减少源域和目标域之间的域差异。但是,它假设源域和目标域共享相同的标签分布,这限制了它们的应用范围。在本文中,我们考虑了一个更一般的应用场景,源和目标域的标签分布是不一样的。在这种情况下,基于边际分配的方法将容易受到负迁移的影响。为了解决这个问题,我们提出了一种新的无监督领域自适应方法,深度条件自适应网络(DCAN),基于特征空间的条件分布对齐。具体而言,通过最小化源域和目标域深度特征条件分布之间的条件最大均值离散度来减小域差异,通过最大化样本与预测标签之间的互信息来提取目标域的判别信息。此外,DCAN可用于解决一种特殊的场景,即部分无监督领域自适应,其中目标领域类别是源领域类别的子集。无监督领域自适应和部分无监督领域自适应的实验表明,DCAN取得了优于国家的最先进的方法的分类性能。
2022-05-03 cs.CV
Multi-source Domain Adaptation for Visual Sentiment Classification
National University of Singapore(新加坡国立大学);University of California, Berkeley(加州大学伯克利分校)
现有的视觉情感分类的领域自适应方法通常是在单源场景下研究的,其中从足够标记数据的源域学习的知识被转移到松散标记或未标记数据的目标域。然而,在实际应用中,来自单个源域的数据通常具有有限的量,并且难以覆盖目标域的特征。在本文中,我们提出了一种新的多源领域自适应(MDA)的方法,称为多源情感生成对抗网络(MSGAN),视觉情感分类。为了处理来自多个源域的数据,它学习找到一个统一的情感潜在空间,其中来自源域和目标域的数据共享类似的分布。这是通过端到端方式的周期一致性对抗学习来实现的。在四个基准数据集上进行的大量实验表明,MSGAN在视觉情感分类方面明显优于最先进的MDA方法。
2020-01-12 cs.CV
Active Multi-Kernel Domain Adaptation for Hyperspectral Image Classification
Xidian University(西安电子科技大学);Beihang University(北京航空航天大学);University of Technology, Sydney(悉尼科技大学)
近年来,高光谱图像分类技术取得了长足的进步。现有的大多数研究要么严重依赖于使用监督学习的昂贵的标签信息,要么很难利用从相关领域借来的判别信息。为了解决这个问题,在本文中,我们提出了一种新的框架,解决HSI分类的基础上的领域自适应(DA)与主动学习(AL)。我们的方法的主要思想是重新训练的多核分类器,利用可用的标记样本从源域,并添加最小数量的最具信息量的样本与主动查询的目标域。所提出的方法自适应地结合多个内核,形成一个DA分类器,最大限度地减少源域和目标域之间的偏差。进一步配备了嵌套的主动更新过程,它依次扩大训练集,并逐渐收敛到一个令人满意的分类性能水平。我们研究这种主动适应框架与边际抽样(MS)策略在HSI分类任务。我们在两个流行的HSI数据集上的实验结果证明了它的有效性。
2019-04-10 cs.CV
Enhancing Skin Lesion Classification Generalization with Active Domain Adaptation
Carnegie Mellon University(卡内基梅隆大学)
本文提出结合自监督学习与主动域适应的皮肤病变分类方法,通过自然图像预训练、皮肤数据再训练、源域微调及目标域ADA选择,在10个数据集和5种ADA方法上验证了跨域泛化提升效果。
2025-02-18 cs.CV
CAD Models to Real-World Images: A Practical Approach to Unsupervised Domain Adaptation in Industrial Object Classification
Berliner Hochschule für Technik(柏林应用科学技术大学);nyris GmbH(nyris有限公司);topex GmbH(topex有限公司);University of Applied Sciences Berlin(柏林应用科学大学)
针对工业场景下仅带标签CAD模型、需分类真实图像的无监督域自适应问题,研究分析关键设计选择,提出的流程在VisDA基准达SoTA,在含102个机械零件的新工业数据集上大幅提升性能,并给出实用指导原则。
2023-10-07 cs.CV
Contrastive meta-domain adaptation for robust skin lesion classification across clinical and acquisition conditions
University of São Paulo(圣保罗大学)
提出基于视觉元域概念的适应策略,通过将大规模皮肤镜数据集的视觉表示迁移到临床图像域,提高皮肤病变分类的泛化鲁棒性。
2026-06-01 cs.CV
Scale Aware Adaptation for Land-Cover Classification in Remote Sensing Imagery
UC Merced(加州大学默塞德分校);Amazon Web Services(亚马逊云科技)
利用遥感图像进行土地覆盖分类是一项重要的地球观测任务。最近,土地覆盖分类受益于语义分割的全连接神经网络的发展。然而,可用于训练遥感图像中的深度分割模型的基准数据集往往很小,通常仅由来自单个位置的少数图像组成。这限制了模型推广到其他数据集的能力。领域自适应已经被提出来提高模型的泛化能力,但我们发现这些方法对于处理遥感图像集合之间常见的尺度变化是无效的。因此,我们提出了一个尺度感知的对抗性学习框架来执行联合跨位置和跨尺度土地覆盖分类。该框架有一个标准的功能块以及一个新颖的规模块的双块架构。我们还介绍了一个规模的注意力模块,产生规模增强功能。实验结果表明,该框架优于国家的最先进的领域自适应方法的大幅度。
2020-12-08 cs.CV
Adversarial Domain Adaptation for Classification of Prostate Histopathology Whole-Slide Images
Rutgers University(罗格斯大学);Rutgers Cancer Institute of New Jersey(新泽西罗格斯癌症研究所)
组织病理学切片的自动和准确的格里森分级对于前列腺癌的诊断、治疗和预后至关重要。通常,来自不同机构的组织病理学组织切片由于不同的组织制备和染色程序而显示出异质性外观,因此从一个领域学习的可预测模型可能不直接适用于新的领域。在这里,我们建议采用无监督的领域自适应转移的歧视性知识从源域到目标域,而不需要标记的图像在目标域。通过对抗训练来实现自适应,以在目标域上找到不变的特征空间以及所提出的Siamese架构,以添加适合于整个载玻片图像的正则化。我们在两个前列腺癌数据集上验证了该方法,与基线模型相比,Gleason评分得到了显着的分类改善。
2018-06-06 cs.CV
From Traditional to Modern : Domain Adaptation for Action Classification in Short Social Video Clips
IIIT Hyderabad(海得拉巴国际信息技术学院)
与传统视频数据集相比,像葡萄藤这样的短互联网视频剪辑呈现出明显的野生分布。在本文中,我们专注于使用传统的标记数据集的野生葡萄藤无监督动作分类的问题。为此,我们使用一个简单的领域自适应策略的数据增强。我们利用语义word2vec空间作为一个共同的子空间嵌入视频功能,标记的源域和未标记的目标域。我们的方法增量地用目标样本增加标记源,并迭代地修改嵌入函数,以将源和目标分布放在一起。此外,我们利用多模态表示,结合了嘈杂的语义信息,以散列标签的形式。我们证明了这种简单的适应技术的有效性测试集的葡萄树,并取得显着的改善性能。
2016-10-18 cs.CV
Domain Adaptation for Deviating Acquisition Protocols in CNN-based Lesion Classification on Diffusion-Weighted MR Images
German Cancer Research Center (DKFZ)(德国癌症研究中心);University Hospital Erlangen(埃尔兰根大学医院);Radiological Practice at the ATOS Clinic(ATOS诊所放射科诊所);Radiology Center Mannheim (RZM)(曼海姆放射中心)
端到端深度学习使用卷积神经网络(CNN)架构改进扩散加权MR图像(DWI)上的乳腺癌分类。与先前的基于模型的方法相反,CNN的限制是依赖于在训练期间使用的特定DWI输入通道。然而,在大规模应用的背景下,由于临床站点之间的扫描协议的高偏差,对异构输入不可知的方法是可取的。我们提出了基于模型的领域自适应,以克服输入依赖性,并避免重新训练的网络在临床站点通过恢复训练输入从改变的输入通道在部署过程中。我们证明了该方法的显着增加的分类性能和优越性,隐式领域自适应提供的训练方案上的模型参数,而不是原始DWI图像。
2018-07-17 cs.CV
Universal Domain Adaptation for Remote Sensing Image Scene Classification
Technical University of Munich(慕尼黑工业大学)
目前的领域自适应方法(如无监督自适应方法)依赖于源域和目标域标签集之间关系的丰富先验知识,并且由于隐私或机密性问题,源数据往往不可访问,因此通常不能很好地适用于遥感图像分类的实际领域自适应场景。为此,我们提出了一个实用的通用领域自适应设置遥感图像场景分类,不需要先验知识的标签集。此外,针对源数据不可用的情况,提出了一种无需源数据的通用领域自适应方法。该模型的体系结构分为两个部分:源数据生成阶段和模型自适应阶段。第一阶段使用源域中的类可分性知识从预训练模型估计源数据的条件分布,然后合成源数据。有了这个合成的源数据,如果目标样本属于源标签集中的任何类别,则将其正确分类,否则将其标记为"未知”,这就成为一个通用的DA任务。在第二阶段,一种新的可转移的权重,区分在每个域中的共享和私有标签集,促进自动发现的共享标签集的适应,并成功地识别“未知”的样本。实验结果表明,无论源数据是否可用,该模型都能有效地进行遥感图像场景分类。该代码可在https://github.com/zhu-xlab/UniDA上获得。
2023-01-26 cs.CV
Ship classification from overhead imagery using synthetic data and domain adaptation
Space and Naval Warfare Systems Center, Pacific(太平洋空间与海战系统中心)
在本文中,我们重新审视的问题,分类船舶(海上船只)从开销图像检测。尽管过去十年对这一非常重要和相关的问题进行了研究,但它在很大程度上仍未得到解决。在海洋领域中对船舶和其他物体进行检测和分类的主要问题之一是缺乏训练最先进的机器学习算法所需的大量地面实况数据。我们通过使用Unity游戏引擎和3D船舶模型构建大型(200k)合成图像数据集来解决这个问题。我们证明,使用合成数据,分类性能显着提高,特别是当有很少的注释图像用于训练。
2019-05-10 cs.CV
DAFD: Domain Adaptation via Feature Disentanglement for Image Classification
针对图像分类中的领域偏移问题,提出基于特征解耦的领域自适应方法DAFD,通过CRFS模块分离类别相关特征并结合DLMMD模块实现细粒度对齐,有效提升了目标域分类准确率。
2024-01-09 cs.CV
Domain Adaptation for MRI Organ Segmentation using Reverse Classification Accuracy
Biomedical Image Analysis Group, Imperial College London(帝国理工学院生物医学图像分析组);Comprehensive Cancer Imaging Centre, Hammersmith Hospital, Imperial College London(帝国理工学院哈默史密斯医院综合癌症成像中心);The Royal Marsden NHS Foundation Trust, London(伦敦皇家马斯登国民保健服务基金会信托)
医学影像学研究中多中心数据的变化带来了领域自适应的必要性。尽管机器学习在自动分割方面取得了进步,但当算法应用于从与训练数据不同的扫描仪或序列获取的新数据时,性能通常会下降。如果必须对每个新的目标域执行手动注释,则成本高且耗时。在这项工作中,我们研究自动选择合适的主题进行注释的监督领域自适应使用的概念,反向分类精度(RCA)。RCA预测训练模型对来自新领域的数据的性能,并评估通过迁移学习选择要包括在适应中的受试者的不同策略。我们在两个中心的MR数据库上进行器官分割的实验。我们表明,主题选择通过RCA可以减少新数据的注释为目标域的负担。
2018-06-01 cs.CV
Unsupervised Domain Adaptation for Image Classification via Structure-Conditioned Adversarial Learning
Zhejiang University(浙江大学);Huawei Technologies(华为技术有限公司)
无监督领域自适应(UDA)通常通过对抗学习将知识从标签丰富的源领域转移到未标记的目标领域。原则上,现有的UDA方法主要关注域之间的全局分布对齐,而忽略了固有的局部分布特性。基于这一观察结果,我们提出了一种端到端的结构条件对抗学习方案(SCAL),该方案能够在域分布对齐过程中保持类内紧凑性。通过使用局部结构作为结构感知条件,该方案在结构条件对抗学习管道中实现。上述学习过程通过在局部结构建立和结构条件对抗学习之间交替来迭代执行。实验结果证明了该方案在UDA场景中的有效性。
2021-03-04 cs.CV
MetaAlign: Coordinating Domain Alignment and Classification for Unsupervised Domain Adaptation
University of Science and Technology of China(中国科学技术大学);Microsoft Research Asia(微软亚洲研究院)
对于无监督的领域自适应(UDA),为了减轻领域转移的影响,许多方法通过对抗性学习或显式对齐其统计数据来对齐特征空间中的源域和目标域。然而,这种域对齐的优化目标通常与对象分类任务本身的优化目标不协调,使得它们用于优化的下降方向可能不一致。这将降低域对齐在提高UDA性能方面的有效性。在本文中,我们的目标是研究和减轻域对齐和分类任务之间的优化不一致问题。我们解决这个问题,提出了一个有效的元优化为基础的策略称为MetaAlign,在那里我们把域对齐目标和分类目标的元训练和元测试任务的元学习计划。MetaAlign鼓励以协调的方式优化这两个任务,从而在训练期间最大化两个任务的梯度的内积。实验结果表明,我们所提出的方法的有效性上的各种基于基线的方法,对象分类和目标检测的任务。MetaAlign有助于实现最先进的性能。
2021-03-25 cs.CV
Unsupervised Domain Adaptation for Calcification Classification in Mammography Across Multi-Site Datasets
Duke University(杜克大学);Duke University School of Medicine(杜克大学医学院);Royal Surrey NHS Foundation Trust(皇家萨里郡国民保健服务信托基金)
针对跨多站点数据集的乳腺钼靶钙化分类中域转移问题,提出含无监督域适应和监督分类模块的框架,用风格迁移模型生成训练样本,经多数据集验证,提升了跨站点性能,减少域转移,增强分类泛化能力。
2026-07-08 cs.CV
Modified Distribution Alignment for Domain Adaptation with Pre-trained Inception ResNet
Lehigh University(理海大学)
深度神经网络在计算机视觉中得到了广泛应用。有几个经过良好训练的深度神经网络用于ImageNet分类挑战,它在图像识别中发挥了重要作用。然而,很少有工作探讨了预训练的神经网络的图像识别领域的适应。在本文中,我们是第一个从预训练的Inception ResNet模型中提取更好的表示特征的人,用于领域自适应。然后,我们提出了一种改进的分布对齐方法,使用提取的特征进行分类。我们使用三个基准数据集(Office+Caltech-10,Office-31和E-Home)来测试我们的模型。大量的实验表明,与最先进的方法相比,分类准确率有显著的提高(4.8%,5.5%和10%)。
2019-04-18 cs.CV
Continual Cross-Dataset Adaptation in Road Surface Classification
Politecnico di Milano(米兰理工大学)
针对道路表面分类模型跨数据集泛化差的问题,提出用持续学习微调方法在适应新数据时保留旧知识,实验证明优于朴素微调且接近重新训练,并带来计算与经济优势。
2023-09-05 cs.CV
Sim-to-Real Domain Adaptation for Lane Detection and Classification in Autonomous Driving
University of Waterloo(滑铁卢大学)
虽然自动驾驶中的监督检测和分类框架需要大型标记数据集来收敛,但无监督领域自适应(UDA)方法在真实照片模拟环境生成的合成数据的帮助下,被认为是低成本且耗时更少的解决方案。在本文中,我们提出了UDA计划使用对抗性的判别和生成方法的车道检测和自动驾驶中的分类应用。我们还提出了Simulanes数据集生成器来创建一个合成数据集,这是自然利用CARLA的巨大的交通场景和天气条件。建议的UDA框架将带有标签的合成数据集作为源域,而目标域是未标记的真实世界数据。使用对抗生成和特征鉴别器,调整学习的模型以预测目标域中的车道位置和类别。使用现实世界和我们的合成数据集评估所提出的技术。实验结果表明,本文提出的方法在检测和分类的准确性和一致性方面优于其他基线方案。消融研究表明,模拟数据集的大小在所提出的方法的分类性能中起着重要的作用。我们的UDA框架可在https://github.com/anita-hu/sim2real-lane-detection上获得,我们的数据集生成器可在https://github.com/anita-hu/simulanes上发布
2022-05-30 cs.CV
Mitigating the Influence of Domain Shift in Skin Lesion Classification: A Benchmark Study of Unsupervised Domain Adaptation Methods on Dermoscopic Images
German Aerospace Center (DLR)(德国航空航天中心);German Cancer Research Center (DKFZ)(德国癌症研究中心)
该研究针对皮肤镜图像分类的域偏移问题,对8种无监督域自适应方法在10个数据集上开展基准测试,证实这类方法普遍能提升黑色素瘤-痣分类性能,同时指出小样本或不平衡数据集会降低结果一致性。
2023-10-05 cs.CV
Zero-Shot Deep Domain Adaptation
Siemens Corporate Technology(西门子企业技术研究院)
领域自适应是将在源领域中学习到的关于任务(例如分类)的知识转移到第二或目标领域的重要工具。目前的方法假设任务相关的目标域数据在训练过程中是可用的。我们演示了如何执行领域自适应时,没有这样的任务相关的目标域数据。为了解决这个问题,我们提出了zero-shot深度领域自适应(ZDDA),它使用任务无关的双域对的特权信息。ZDDA学习一个源域表示,它不仅是为感兴趣的任务量身定制的,而且接近目标域表示。因此,与源域表示联合训练的源域感兴趣任务解决方案(例如,用于分类任务的分类器)可以适用于源表示和目标表示两者。使用MNIST,Fashion-MNIST,NIST,EMNIST和SUN RGB-D数据集,我们证明了ZDDA可以在分类任务中执行领域自适应,而无需访问与任务相关的目标领域训练数据。我们还扩展ZDDA进行传感器融合在SUN RGB-D场景分类任务模拟任务相关的目标域表示与任务相关的源域数据。据我们所知,ZDDA是第一个领域自适应和传感器融合方法,它不需要任务相关的目标域数据。其基本原理并不特定于计算机视觉数据,而是应该可以扩展到其他领域。
2018-07-24 cs.CV
Domain Adaptation from Generated Multi-Weather Images for Unsupervised Maritime Object Classification
The School of Electrical and Information Engineering, Tianjin University, China(天津大学电气与信息工程学院);Tiandy Technologies Co., Ltd, Tianjin, China(天津天盾科技有限公司)
针对海事目标分类无监督方法面临的长尾数据分布问题,本文构建平衡生成数据集AIMO与真实长尾数据集RMO,提出结合视觉-语言模型及课程学习难度评分的域自适应方法,显著提升分类精度,尤其改善稀有样本性能。
2025-11-12 cs.CV
Syn2Real: Forgery Classification via Unsupervised Domain Adaptation
IIT Mandi(印度理工学院曼迪分校);dtu.ac.in(丹麦技术大学(注:此处原文本中“akash_bt2k15@dtu.ac.in”的机构部分仅为邮箱域名,严格按要求不提取此类邮箱相关内容,仅保留明确的作者单位));iitmandi.ac.in(印度理工学院曼迪分校(注:此处原文本中“arnav@iitmandi.ac.in”的机构部分仅为邮箱域名,严格按要求不提取此类邮箱相关内容,仅保留明确的作者单位))
近年来,由于图像处理和计算机视觉技术中的现代工具,图像处理变得越来越容易获得,产生看起来更自然的图像。识别伪造图像的任务变得非常具有挑战性。在不同类型的伪造中,由于检测这种篡改所涉及的困难,复制-移动伪造的情况越来越多。要解决这些问题,公开的数据集是不够的。在本文中,我们提出了创建一个合成伪造数据集使用深层语义图像修补和复制移动伪造算法。然而,在这些数据集上训练的模型在更真实的数据上测试时,性能会显着下降。为了缓解这个问题,我们使用无监督的领域自适应网络来检测复制移动伪造在新的领域,通过映射的特征空间,从我们的综合生成的数据集。此外,我们将CASIA和CoMoFoD数据集的F1得分分别提高到80.3%和78.8%。我们的方法可以帮助在这些情况下,数据的分类是不可用的。
2020-02-03 cs.CV
Appearance Based Deep Domain Adaptation for the Classification of Aerial Images
Leibniz University Hannover(莱布尼茨汉诺威大学)
本文讨论了领域自适应的遥感数据的像素分类,使用深度神经网络(DNN)作为一种策略,以减少DNN的要求方面的训练数据的可用性。我们专注于设置标记的数据仅在源域DS中可用,但在目标域DT中不可用。我们的方法基于对外观自适应网络(AAN)的对抗性训练,该网络将DS中的图像进行变换,使其看起来像DT中的图像。与来自DS的原始标签映射一起,转换后的图像用于使DNN适应DT。我们提出了一个联合训练策略的AAN和分类器,约束AAN变换图像,使它们被正确分类。通过这种方式,某个类的对象被改变,使得它们类似于DT中相同类的对象。为了进一步提高自适应性能,我们提出了一种新的正则化损失用于域对抗训练的神经网络。我们还解决了找到训练的网络参数的最佳值的问题,提出了一个无监督的基于熵的参数选择标准,该标准补偿了DT中没有可以监视的验证集的事实。作为一个小小的贡献,我们提出了一个新的加权策略的交叉熵损失,解决不平衡的类分布的问题。我们的方法进行了评估,在42个适应方案,使用数据集从7个城市,所有组成的高分辨率数字正射影像和高度数据。它在所有情况下都实现了正迁移,并且平均而言,它在目标域中的性能提高了4.3%。在ISPRS语义标签基准数据集之间的适应场景中,我们的方法在平均交集上比最近出版物的方法高出10-20%。
2021-08-17 cs.CV
SALAD: Source-free Active Label-Agnostic Domain Adaptation for Classification, Segmentation and Detection
University of Maryland College Park(马里兰大学学院公园分校);Adobe Research(奥多比研究院)
针对源数据不可用、目标域标注预算少且标签空间偏移的域适配问题,提出SALAD方法,通过引导注意力迁移网络和主动学习函数联合优化样本选择与知识迁移,在三类视觉任务上较依赖源数据的方法提升0.5%-31.3%。
2022-10-22 cs.CV
Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification
Mekelle University(默克莱大学);Maharishi International University(玛赫西国际大学);Signal Technologies(信号技术公司);MicroLink Information Technology College(微联信息技术学院)
本研究在统一协议下比较了六个预训练骨干网络,发现DINOv2结合高效通道注意力(仅5个可学习参数)在沙眼分类中达到91.66%准确率,提供了参数高效的分类基准。
2026-09-22 cs.CV
Syn2Real: A New Benchmark forSynthetic-to-Real Visual Domain Adaptation
Boston University(波士顿大学);University of Tokyo(东京大学);University of California Berkeley(加州大学伯克利分校)
从合成数据到真实数据的对象识别模型的无监督传输是具有许多潜在应用的重要问题。挑战在于如何“适应”在模拟图像上训练的模型,使其在没有任何额外监督的情况下对真实世界的数据表现良好。不幸的是,这个问题的当前基准在规模和任务多样性方面是有限的。在本文中,我们提出了一个新的大型基准称为Syn2Real,它由一个合成域渲染的3D对象模型和两个真实的图像域包含相同的对象类别。我们在这个基准上定义了三个相关的任务:闭集对象分类、开集对象分类和目标检测。我们对多种最先进方法的评估揭示了更容易的闭集分类任务与更困难的开集和检测任务之间的适应性能存在很大差距。我们的结论是,开发适应方法,以及在所有三个任务的syn2real域转移提出了一个重大的未来挑战。
2018-06-26 cs.CV
Domain Adaptation Techniques for Natural and Medical Image Classification
School of Artificial Intelligence, Guilin University of Electronic Technology, Guilin, China, 541004(桂林电子科技大学人工智能学院);The Laboratory for Imagery, Vision and Artificial Intelligence, Ecole de Technologie Superieure, Montreal, Canada, H3C 1K3(影像、视觉与人工智能实验室,蒙特利尔大学);College of Computer Science and Engineering, Taibah University, Madinah, Saudi Arabia, 42353(塔布大学计算机科学与工程学院);College of Computer Science and Engineering, Jeddah University, Jeddah, Saudi Arabia, 23445(吉达大学计算机科学与工程学院)
本文在5个自然和8个医学数据集上用557项仿真比较七种DA方法,发现DSAN在准确率、动态数据流和可解释性方面表现突出。
2025-08-28 cs.CV
Multi-Scale Multi-Target Domain Adaptation for Angle Closure Classification
South China University of Technology(华南理工大学);National University of Singapore(新加坡国立大学);Sun Yat-sen University(中山大学);Baidu Inc.(百度公司);Pazhou Laboratory(琶洲实验室);Key Laboratory of Big Data and Intelligent Robot, Ministry of Education(教育部大数据与智能机器人重点实验室)
深度学习(DL)在利用眼前节光学相干断层扫描(AS-OCT)图像进行闭角分类方面取得了重大进展。这些AS-OCT图像通常由不同的成像设备/条件获取,这导致底层数据分布(称为“数据域”)的巨大变化。此外,由于实际的标记困难,一些域(例如,设备)可以不具有任何数据标签。因此,在一个特定领域(例如,特定设备)难以适应并因此可能在其它域上表现不佳(例如,其他设备)。为了解决这个问题,我们提出了一个多目标领域自适应范例,将一个标记的源域上训练的模型转移到多个未标记的目标域。具体来说,我们提出了一种新的多尺度多目标域对抗网络(M2 DAN)的闭角分类。M2 DAN进行多域对抗学习以提取域不变特征,并开发多尺度模块以捕获AS-OCT图像的局部和全局信息。基于不同尺度下的这些域不变特征,在源域上训练的深度模型能够对多个目标域上的闭角进行分类,即使这些域中没有任何注释。在真实的AS-OCT数据集上的实验证明了该方法的有效性。
2022-08-25 cs.CV
Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification
Inception Institute of AI(Inception人工智能研究院)
深度学习的成功为许多医学图像分析任务设定了新的基准。然而,在训练(源)数据和测试(目标)数据之间存在分布变化的情况下,深度模型往往无法泛化。一种通常用于对抗分布偏移的方法是域自适应:使用来自目标域的样本来学习解释偏移的分布。在这项工作中,我们提出了一种无监督的域自适应方法,该方法使用图神经网络,并将语义和域不变结构特征分离,从而在分布变化中获得更好的性能。我们提出了一个扩展交换自动编码器,以获得更多的歧视性功能。我们测试了两个具有挑战性的医学图像数据集的分布变化-多中心胸部X射线图像和组织病理学图像的分类所提出的方法。实验表明,我们的方法实现了国家的最先进的结果相比,其他领域的适应方法。
2022-06-27 cs.CV eess.IV
Joint cross-domain classification and subspace learning for unsupervised adaptation
KU Leuven(鲁汶大学);iMinds
领域自适应的目的是将源领域中获得的知识适应到新的不同但相关的目标领域。已经提出了几种方法,在无监督的情况下,没有标记的目标数据的分类任务。大部分的注意力都集中在搜索一个新的域不变表示,将预测函数的定义留给第二阶段。在这里,我们建议两者共同学习。具体来说,我们学习最匹配目标子空间的源子空间,同时最小化正则化误分类损失。我们提供了一种基于随机次梯度下降的交替优化技术来解决学习问题,并在几个领域自适应任务上展示了其性能。
2015-04-29 cs.CV cs.LG
Enhancing Whole Slide Image Classification through Supervised Contrastive Domain Adaptation
HUMAN-tech;Universidad Politécnica de Valencia (UPV)(瓦伦西亚理工大学);Valencian Graduate School and Research Network for Artificial Intelligence (valgrAI)(瓦伦西亚人工智能研究生学院及研究网络)
针对组织病理学成像的域偏移问题,提出一种基于有监督对比学习的域适应方法,通过添加训练约束提升类间可分离性,在两中心六种皮肤癌亚型全切片图像实验中,性能优于无域适应或仅染色归一化的方案。
2024-12-05 cs.AI cs.CV
HyperSpaceX: Radial and Angular Exploration of HyperSpherical Dimensions
Indian Institute of Technology Jodhpur(印度理工学院焦特布尔分校)
HyperSpaceX 通过 DistArc 损失在多超球面空间中同时探索角度与径向特征,增强类间分离和类内聚合,在物体分类和人脸识别任务上取得最先进结果,低维大规模数据集性能提升最高达 20%。
2024-08-05 cs.CV
Sim-to-Real Domain Adaptation for Deformation Classification
Faculty of Electrical and Computer Engineering, University of Victoria(维多利亚大学电气与计算机工程学院)
提出一种生成受控合成变形数据的框架,结合智能适配器网络实现仿真到现实的域适应,在无需真实变形数据的情况下提升变形分类性能。
2025-01-23 cs.CV cs.LG
Hyperspherical Classification with Dynamic Label-to-Prototype Assignment
West Virginia University(西弗吉尼亚大学);Carnegie Mellon University(卡内基梅隆大学)
针对非参数分类器静态分配标签的局限,提出通过梯度下降与二分匹配的两步优化动态调整标签到原型分配的方法,在CIFAR-100和ImageNet-200上以更低维度超越竞争对手。
2024-03-25 cs.CV
Hubs and Hyperspheres: Reducing Hubness and Improving Transductive Few-shot Learning with Hyperspherical Embeddings
UiT The Arctic University of Norway(挪威北极大学UiT);Norwegian Computing Center(挪威计算中心);University of Copenhagen(哥本哈根大学)
基于距离的分类方法经常被用于转换式少样本学习(FSL)。然而,由于图像表示的高维性,FSL分类器容易遭受hubness问题,其中几个点(枢纽)经常出现在其他点的多个最近邻列表中。当来自一个类的中心点经常出现在来自另一个类的点的最近邻居中时,中心度会对基于距离的分类产生负面影响,从而降低分类器的性能。为了解决FSL中的hubness问题,我们首先证明了hubness可以通过在超球面上均匀分布表示来消除。然后,我们提出了两种新的方法来嵌入表示的超球体,我们证明优化均匀性和局部相似性保护之间的权衡-减少枢纽,同时保留类结构。我们的实验表明,所提出的方法减少了hubness,并显着提高了广泛的分类器的转导FSL的准确性。
2023-03-16 cs.CV
ICPR 2024 Competition on Domain Adaptation and GEneralization for Character Classification (DAGECC)
Safran Tech(赛峰技术公司);Paris-Saclay University(巴黎-萨克雷大学);University of Caen Normandie(卡昂诺曼底大学)
本文介绍了ICPR 2024 DAGECC竞赛的背景、数据集及前三名获奖方案,旨在通过提供高质量轻量级真实数据集促进字符分类的领域自适应与泛化研究。
2024-12-23 cs.AI cs.CV
Fine-Grain Few-Shot Vision via Domain Knowledge as Hyperspherical Priors
Augustus Intelligence(奥古斯都智能公司)
原型网络已被证明在计算机视觉中的少样本学习任务中表现良好。然而,当类别彼此非常相似(细粒度分类)并且目前无法考虑先验知识(通过使用表格数据)时,这些网络就会陷入困境。使用一个球形的潜在空间编码的原型,我们可以实现Few-Shot细粒度分类最大限度地分离类,同时将领域知识作为信息先验。我们描述了如何构建一个嵌入先验域信息的原型超球体,并展示了该方法在挑战细粒度分类基准数据集上的有效性,最佳结果是一次性分类和5倍的训练时间加速。
2020-05-23 cs.CV cs.LG eess.IV
Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification
University of Tehran(德黑兰大学);University of Tennessee Health Science Center(田纳西大学健康科学中心);Bangor University(班戈大学);Vanderbilt Eye Institute(范德比尔特眼科研究所)
领域自适应是一个有吸引力的方法,给出了大量的标记数据具有相似的属性,但不同的域的可用性。它是有效的图像分类任务,获得足够的标签数据是具有挑战性的。我们提出了一种新的方法,命名为SELDA,堆叠集成学习通过扩展三个领域自适应方法,有效地解决现实世界中的问题。主要的假设是,当组合基本领域自适应模型时,我们可以通过利用每个基本模型的能力来获得更准确和鲁棒的模型。我们扩展了最大平均离散度(MMD),低秩编码和相关性对齐(CORAL)来计算三个基础模型中的自适应损失。此外,我们利用一个两个完全连接的层网络作为一个元模型来堆叠这三个表现良好的领域自适应模型的输出预测,以获得高精度的眼科图像分类任务。使用眼相关眼病研究(AREDS)基准眼科数据集的实验结果表明,所提出的模型的有效性。
2022-09-27 cs.AI cs.CV cs.LG
A Cycle GAN Approach for Heterogeneous Domain Adaptation in Land Use Classification
Université de Bretagne Sud(南布列塔尼大学);IRISA(法国信息与随机系统研究所);CNES(法国国家空间研究中心);Thales Alenia Space(泰雷兹阿莱尼亚宇航公司)
在遥感领域,特别是在地球观测领域,每天都有来自不同传感器的新数据。在分类任务中利用这些数据是以密集的标签任务为代价的,这些任务在操作环境中是不现实的。虽然域自适应可能有助于平衡这个问题,但大多数常用方法都假设要自适应的数据是可比较的(它们属于相同的度量空间),而当多个传感器处于危险之中时,情况并非如此。异构域自适应方法是解决这个问题的一种特殊方法。我们提出了一种新的方法来处理这种情况下,基于修改后的cycleGAN版本,其中包括分类损失和度量空间对齐项。我们展示了它在土地利用分类任务上的强大功能,使用来自Google Earth和Sentinel-2的图像。
2020-04-22 cs.CV cs.LG eess.IV
Recent Advances in Domain Adaptation for the Classification of Remote Sensing Data
University of Zurich(苏黎世大学);University of Twente(特文特大学);University of Trento(特伦托大学)
在大的地理区域内或在短的时间间隔内获得的遥感图像的监督分类的成功在很大程度上取决于用于训练分类算法和定义模型的样本的代表性。当训练样本是从不同于用于映射的图像(或空间区域)收集的时,两个分布之间的光谱偏移可能使模型失败。这种偏移通常是由于采集和大气条件的差异或所观测物体性质的变化。为了设计对数据集变化具有鲁棒性的分类方法,最近的遥感文献考虑了基于领域自适应(DA)方法的解决方案。受机器学习文献的启发,人们提出了几种DA方法来解决遥感数据分类中的具体问题。本文提供了一个关键的审查,在DA遥感的最新进展,并提出了一个概述的方法分为四类:i)不变的特征选择; ii)表示匹配; iii)适应分类器和iv)选择性采样。我们提供了一个概述,最近的方法,以及所考虑的技术,以真正的遥感图像的特点是非常高的空间和光谱分辨率的应用程序的例子。最后,我们提出了在实际应用场景中使用的方法的选择准则。
2021-04-15 cs.CV eess.IV
Tensor Alignment Based Domain Adaptation for Hyperspectral Image Classification
National University of Defense Technology(国防科技大学);University of Trento(特伦托大学)
提出了一种基于张量对齐(TA)的高光谱图像(HSI)区域自适应分类方法。具体来说,首先将两个域中的HSI分割成超像素,并构造两个域的张量以包括来自单个超像素的相邻样本。然后将两个域之间的子空间不变性作为投影矩阵,利用Tucker分解将原始张量作为低维的核张量投影到不变张量子空间中。为了保持原始张量中的几何信息,我们在分解过程中使用了核心张量的流形正则化项。采用交替优化的方法求解投影矩阵和核张量,并分析了TA算法的收敛性。此外,通过对每个超像素进行纯样本提取来定义后处理策略,以进一步提高分类性能。实验结果表明,在源标记样本数量有限的情况下,与现有的子空间学习方法相比,该方法具有更好的性能。
2018-09-04 cs.CV eess.IV
Multi-Representation Adaptation Network for Cross-domain Image Classification
Key Lab of Intelligent Information Processing of Chinese Academy of Sciences (CAS), Institute of Computing Technology, CAS(中国科学院智能信息处理重点实验室,中国科学院计算技术研究所);University of Chinese Academy of Sciences(中国科学院大学);Microsoft Research(微软研究院);Capital Normal University(首都师范大学);ByteDance(字节跳动);School of Information, Renmin University of China(中国人民大学信息学院)
在图像分类中,获取足够的标签通常是昂贵且耗时的。为了解决这个问题,领域自适应通常提供了一个有吸引力的选择,给出了大量的标记数据从一个类似的性质,但不同的域。现有的方法主要对齐由单个结构提取的表示的分布,并且表示可能仅包含部分信息,例如,仅包含部分饱和度、亮度和色调信息。沿着这条线,我们提出了多表示自适应,它可以显着提高跨域图像分类的分类精度,特别是旨在对齐的混合结构名为初始自适应模块(IAM)提取的多个表示的分布。在此基础上,本文提出了多表示自适应网络(MRAN),通过多表示对齐来实现跨域图像分类任务。此外,我们扩展了最大平均离散(MMD)计算自适应损失。我们的方法可以很容易地实现,通过扩展大多数前馈模型与IAM,网络可以通过反向传播有效地训练。在三个基准图像数据集上进行的实验证明了MRAN的有效性。该代码已在https://github.com/easezyc/deep-transfer-learning上提供。
2022-01-04 cs.AI cs.CV cs.LG
Benchmarking Test-Time Adaptation against Distribution Shifts in Image Classification
Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);University of Science and Technology of China(中国科学技术大学)
本文构建统一PyTorch基准,在五个图像分类数据集上系统评测13种测试时自适应方法及其变体,并考察其与不同骨干网络的兼容性,为公平比较TTA方法的鲁棒性和泛化性能提供可靠平台。
2023-07-06 cs.CV cs.LG
Learning Sampling Policies for Domain Adaptation
Carnegie Mellon University(卡内基梅隆大学)
我们通过深度Q学习解决分类算法的半监督领域自适应问题。其核心思想是将源域网络对目标域数据的预测视为噪声标签,并学习从该数据中采样的策略,以便在目标域的小注释奖励分区上最大化分类准确性。我们的实验表明,学习的采样策略构建标记集,提高视觉分类器的准确性超过基线。
2018-05-19 cs.CV cs.LG
Unsupervised Domain Adaptation for Mammogram Image Classification: A Promising Tool for Model Generalization
University of Kentucky(肯塔基大学)
泛化是临床验证和将深度学习模型应用于医学图像的关键挑战之一。研究表明,由于患者人群和图像设备配置的差异,在公开数据集上训练的此类模型通常不能很好地用于真实世界的临床数据。此外,手动注释临床图像是昂贵的。在这项工作中,我们提出了一种无监督的领域自适应(UDA)方法,使用Cycle-GAN提高模型的泛化能力,而不使用任何额外的手动注释。
2020-03-02 cs.CV eess.IV q-bio.QM
ILGNet: Inception Modules with Connected Local and Global Features for Efficient Image Aesthetic Quality Classification using Domain Adaptation
Beijing Electronic Science and Technology Institute(北京电子科技学院);Beijing University of Chemical Technology(北京化工大学);Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);China Aerospace Science and Technology Corporation(中国航天科技集团有限公司)
在本文中,我们解决了一个具有挑战性的问题,审美图像分类,这是标签的输入图像作为高或低美学质量。我们考虑到图像的局部和全局特征。提出了一种新的深度卷积神经网络ILGNet,它结合了Inception模块和局部和全局特征的连接层。ILGnet基于GoogLeNet。因此,很容易使用预先训练的GoogLeNet来处理大规模图像分类问题,并在大规模美学相关图像数据库AVA(即\emph{domain adaptation})上微调我们的连接层。实验结果表明,该模型在AVA数据库中达到了目前的先进水平。我们模型的训练和测试速度都高于原始GoogLeNet。
2018-04-29 cs.CV cs.MM
Improved Benthic Classification using Resolution Scaling and SymmNet Unsupervised Domain Adaptation
University of Sydney(悉尼大学);Norwegian University of Science and Technology(挪威科技大学)
自主水下航行器(AUV)对海洋环境进行定期目视调查,以确定和监测底栖生物的组成和多样性。机器学习分类器在此任务中的使用受到可用注释数量少和涉及许多细粒度类的限制。除了这些挑战之外,由于相机系统、成像高度、照明和水柱特性的变化,在不同的AUV勘测期间获取的图像集之间存在域偏移,导致来自不同勘测的图像的分类性能下降,其中一些或所有这些元素可能已经改变。本文提出了一个框架,以提高性能的底栖形态分类器时,用于分类图像从不同的调查相比,训练数据。我们采用SymmNet最先进的无监督领域自适应方法,采用高效的双线性池化层和图像缩放来归一化空间分辨率,并提高了分类精度。我们在两个数据集上测试了我们的方法,这些数据集具有不同成像有效载荷和位置的AUV调查图像。结果表明,通用的领域自适应可以得到增强,以产生一个显着增加的准确性从AUV调查的图像,从训练图像不同。
2023-03-20 cs.CV cs.RO
An In-Depth Analysis of Adversarial Discriminative Domain Adaptation for Digit Classification
Princeton University(普林斯顿大学)
本文复现并扩展 ADDA 数字分类实验,分析其在多种域偏移下的适应效果,证明其可显著提升部分跨域准确率且几乎不损害域内性能。
2025-01-07 cs.AI cs.CV cs.LG
Koos Classification of Vestibular Schwannoma via Image Translation-Based Unsupervised Cross-Modality Domain Adaptation
Shanghai Jiao Tong University(上海交通大学)
Koos分级量表是前庭神经鞘瘤(VS)的分类系统,用于表征肿瘤及其对邻近脑结构的影响。Koos分类捕捉了治疗决策的许多特征,通常用于确定治疗计划。尽管对比增强T1(ceT 1)扫描和高分辨率T2(hrT 2)扫描都可用于Koos分类,但hrT 2扫描因其更高的安全性和成本效益而受到关注。然而,在没有hrT 2扫描注释的情况下,深度学习方法通常不可避免地会因无监督学习而遭受性能降级。如果ceT 1扫描及其注释可用于hrT 2扫描的无监督学习,则使用未标记的hrT 2扫描的Koos分类的性能将大大提高。在这方面,我们提出了一种无监督的跨模态域自适应方法的基础上,图像翻译的转换注释ceT 1扫描到hrT 2模态,并使用其注释,以实现监督学习hrT 2模态。然后,对hrT 2扫描中与Koos分类相关的VS和7个相邻脑结构进行分割。最后,从分割结果中提取手工特征,并使用随机森林分类器对Koos等级进行分类。所提出的方法在跨模态域自适应(crossMoDA 2022)挑战的Koos分类任务中获得了排名1,验证集的宏观平均绝对误差(MA-MAE)为0.2148,测试集为0.26。
2023-03-14 cs.CV cs.LG eess.IV
Fashion CUT: Unsupervised domain adaptation for visual pattern classification in clothes using synthetic data and pseudo-labels
Zalando SE(扎兰多股份公司);Insight Centre for Data Analytics(洞察数据分析中心);Dublin City University(都柏林城市大学)
针对服装图像分类中合成数据与真实数据间的域偏移,提出结合生成网络与分类器联合训练,并利用真实伪标签减少偏差,实现无需真实标注的视觉图案分类,性能优于现有无监督域适应方法。
2023-05-09 cs.CV cs.LG
DoSReMC: Domain Shift Resilient Mammography Classification using Batch Normalization Adaptation
ICterra Information and Communication Technologies(ICterra信息与通信技术公司)
本文提出DoSReMC框架,通过仅微调BN和FC层提升跨领域泛化能力,结合对抗训练进一步提升模型性能,适用于多种临床环境。
2026-04-12 cs.CV eess.IV
Priming Cross-Session Motor Imagery Classification with A Universal Deep Domain Adaptation Framework
Tianjin University(天津大学);ETH Zurich(苏黎世联邦理工学院)
提出孪生深度域自适应框架,通过域不变量构建、RKHS对齐和余弦中心损失,提升跨会话运动想象分类准确率,在公共数据集上优于现有方法。
2023-07-26 cs.AI cs.CV