Deep Reconstruction-Classification Networks for Unsupervised Domain Adaptation
Victoria University of Wellington(惠灵顿维多利亚大学);ETH Zürich(苏黎世联邦理工学院)
本文提出了一种基于深度学习的无监督领域自适应视觉目标识别算法。具体来说,我们设计了一个新的模型,称为深度重构-分类网络(DRCN),它联合学习两个任务的共享编码表示:i)标记源数据的监督分类,ii)未标记目标数据的无监督重建。这样,学习的表示不仅保留了可区分性,而且还编码了来自目标域的有用信息。我们的新DRCN模型可以通过使用反向传播进行优化,类似于标准神经网络。我们评估了DRCN在一系列跨域对象识别任务上的性能,其中DRCN比现有的最先进的算法提供了相当大的改进(高达~8%的准确度)。有趣的是,我们还观察到DRCN的重建管道将图像从源域转换为外观类似于目标数据集的图像。这表明DRCN的性能是由于构建了一个单一的复合表示,该表示编码了有关目标图像结构和源图像分类的信息。最后,我们提供了一个正式的分析,证明该算法的目标在领域自适应上下文中。
2016-08-01 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
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
Decoupled Adaptation for Cross-Domain Object Detection
BNRist(北京国家信息科学与技术研究中心);Tsinghua University(清华大学)
跨域目标检测比目标分类更具挑战性,因为图像中存在多个目标,并且每个目标在未标记目标域中的位置是未知的。因此,在对不同目标的特征进行自适应以增强检测器的可移植性时,容易混淆前景和背景的特征,从而影响检测器的可分辨性。此外,以往的方法只关注类别自适应,而忽略了目标检测的另一个重要部分,即,限界框回归的自适应。为此,我们提出了D-adapt,即Decoupled Adaptation,将对抗性自适应和检测器的训练解耦。此外,本文还通过引入限界框适配器,填补了目标检测中回归领域自适应的空白。实验结果表明,D-adapt在四个跨领域目标检测任务上取得了最佳的效果,特别是在基准数据集Clipart 1 k和Comic 2k上,D-adapt的性能相对提高了17%和21%。
2022-05-09 cs.CV cs.LG
Ranking-Guided Semi-Supervised Domain Adaptation for Severity Classification
Kyushu University(九州大学);Kyoto Second Red Cross Hospital(京都第二红十字医院)
本文提出利用排名得分对源域和目标域进行对齐,以解决严重程度分类中类间边界不明确的问题,通过跨域排名和连续分布对齐方法提升领域适应效果。
2026-04-02 cs.CV
Copy-Move Forgery Classification via Unsupervised Domain Adaptation
IIT Mandi(曼迪印度理工学院)
在当今时代,由于图像处理和计算机视觉技术中的现代工具,图像操纵变得越来越容易,产生看起来更自然的图像。分离伪造图像的任务变得非常具有挑战性。要解决这些问题,公开的数据集是不够的。在本文中,我们提出了一种使用深层语义图像修补算法来创建合成伪造数据集。此外,我们使用一个无监督的领域自适应网络来检测图像中的复制-移动伪造。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。
2019-11-14 cs.CV
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
Domain Adaptation for Resume Classification Using Convolutional Neural Networks
Aalto University(阿尔托大学)
我们提出了一种新的方法,求职者的简历数据分为27个不同的工作类别,使用卷积神经网络。由于简历数据的敏感性,其成本高且难以获得,因此我们使用领域自适应。特别是,我们训练分类器上的大量免费的职位描述片段,然后用它来分类简历数据。我们经验验证了我们的方法的合理分类性能,尽管只有少量的标记简历数据可用。
2017-07-18 cs.CV
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
Deep Generative Domain Adaptation with Temporal Attention for Cross-User Activity Recognition
The University of Auckland(奥克兰大学)
本文提出DGDATA方法,通过在领域自适应过程中整合时间关系注意力机制与生成模型,解决了跨用户HAR任务中数据分布对齐时忽略时间序列时间关系的问题,有效提升了分类性能。
2024-03-12 cs.AI cs.CV cs.HC
MS-MDA: Multisource Marginal Distribution Adaptation for Cross-subject and Cross-session EEG Emotion Recognition
HwaMei Hospital, University of Chinese Academy of Sciences(中国科学院大学华美医院);Ningbo Institute of Life and Health Industry, University of Chinese Academy of Sciences(中国科学院大学宁波生命与健康产业研究院);Anhui University(安徽大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所)
作为精神疾病诊断和康复的重要手段,基于脑电的情绪识别以其高精度和高可靠性而取得了重大进展。然而,实用性的一个障碍在于主题和会议之间的可变性。虽然已有一些研究采用领域自适应(DA)方法来解决这一问题,但大多数研究都将来自不同受试者和会话的多个EEG数据一起作为单个源域进行传输,这要么不能满足领域自适应关于源具有一定边缘分布的假设,要么增加了自适应的难度。因此,我们提出了多源边缘分布自适应(MS-MDA)的EEG情感识别,它同时考虑域不变和域特定的功能。首先,假设不同的脑电数据具有相同的低层特征,然后对多个脑电数据源域构造独立的分支,采用一对一的领域自适应方法,提取特定领域的特征。最后,通过多个分支进行推理。我们评估我们的方法种子和种子-IV识别三种和四种情绪,分别。实验结果表明,MS-MDA优于比较方法和国家的最先进的模型在跨会话和跨学科的传输场景在我们的设置。https://github.com/VoiceBeer/MS-MDA上的代码。
2021-07-16 cs.AI cs.LG
Multi-Target Domain Adaptation via Unsupervised Domain Classification for Weather Invariant Object Detection
Huawei(华为)
目标检测是自动驾驶的关键技术。如果训练图像的天气与测试图像的天气不同,则对象检测器的性能显著降低。领域自适应可用于解决域移位问题,以便提高对象检测器的鲁棒性。然而,大多数现有的领域自适应方法要么处理单个目标域,要么需要域标签。提出了一种新的无监督域分类方法,将单目标领域自适应方法推广到多目标域,并在此基础上设计了一个天气不变的目标检测器训练框架,在Cityscapes数据集及其合成变体(雾、雨、夜)上进行了实验。实验结果表明,该方法训练的目标检测器在不同天气条件下都能实现鲁棒的目标检测。
2021-03-25 cs.CV
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
Cross-Region Domain Adaptation for Class-level Alignment
Tohoku University(东北大学);RIKEN Center for AIP(理化学研究所人工智能研究中心)
语义分割需要大量的训练数据,这需要昂贵的注释。已经有许多关于从一个域到另一个域的无监督领域自适应(UDA)的研究,例如,从计算机图形到真实图像。然而,UDA和对本机领域数据的监督训练之间在准确性上仍然存在差距。这可以归因于源和目标域数据之间的类级别不一致。为了解决这个问题,我们提出了一种方法,该方法应用对抗训练来对齐目标域中的两个特征分布。它使用自训练框架将图像分成两个区域(即,可信的和不可信的),其形成在特征空间中对齐的两个分布。我们称这种方法为跨区域自适应(CRA),以区别于以前的方法对齐不同的域分布,我们称之为跨领域自适应(CDA)。CRA可以在任何CDA方法之后应用。实验结果表明,该方法提高了组合CDA方法的准确性,更新了现有技术。
2022-10-06 cs.AI 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
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
Fair Classification via Domain Adaptation: A Dual Adversarial Learning Approach
Illinois Institute of Technology(伊利诺伊理工学院)
本文提出一种双对抗学习框架,利用源域敏感属性通过域自适应实现目标域公平分类,在目标域无敏感属性时仍保持有效。
2023-05-30 cs.AI cs.LG
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
Burn After Reading: Online Adaptation for Cross-domain Streaming Data
University of Maryland(马里兰大学);Salesforce Research(Salesforce 研究院)
在在线隐私的背景下,许多方法提出了复杂的隐私和安全保护措施来保护敏感数据。在本文中,我们认为:不存储任何敏感数据是最好的安全形式。因此,我们提出了一个“阅后即焚”的在线框架,即每个在线样本在处理后立即删除。同时,我们解决了不可避免的分布偏移之间的标记的公共数据和未标记的私人数据作为无监督的领域自适应的问题。具体来说,我们提出了一种新的算法,旨在在线自适应设置的最根本的挑战-缺乏不同的源-目标数据对。因此,我们设计了一个跨域自举的方法,称为CroDoBo,以增加跨域的组合多样性。此外,为了充分利用不同组合之间的有价值的差异,我们采用了多个学习者与共同监督的培训策略。CroDoBo在四个领域自适应基准上实现了最先进的在线性能。
2021-12-08 cs.CV cs.LG
TimeMatch: Unsupervised Cross-Region Adaptation by Temporal Shift Estimation
Aarhus University(奥胡斯大学);FieldSense A/S(FieldSense公司);IRISA UMR 6074(法国信息与随机系统研究所(UMR 6074));Université Bretagne Sud(南布列塔尼大学)
捕获作物物候的复杂时间模式的深度学习模型的最新发展极大地推进了卫星图像时间序列(SITS)的作物分类。然而,当应用于与训练区域在空间上不同的目标区域时,由于区域之间作物物候的时间变化,这些模型在没有任何目标标签的情况下表现不佳。尽管近年来提出了各种无监督的领域自适应技术,但没有方法明确地学习SITS的时间偏移,因此仅为作物分类提供有限的益处。为了解决这个问题,我们提出了TimeMatch,它明确地占时间的变化,改进的基于SITS的领域自适应。在TimeMatch中,我们首先使用源训练模型的预测来估计从目标到源区域的时间偏移。然后,我们通过迭代算法重新训练目标区域的模型,其中估计的偏移用于生成准确的目标伪标签。此外,我们还介绍了一个开放获取的数据集,用于欧洲四个不同地区的SITS跨地区适应。在我们的数据集上,我们证明了TimeMatch在五种不同的适应场景中的平均F1得分比所有竞争方法高出11%,在跨区域适应方面开创了新的最先进水平。
2022-05-09 cs.CV cs.LG
Domain Adaptation in Multi-View Embedding for Cross-Modal Video Retrieval
University of Bristol(布里斯托大学);NAVER LABS Europe(NAVER LABS 欧洲)
鉴于画廊的无字幕的视频序列,本文认为检索视频的基础上,他们的相关性看不见的文本查询的任务。为了弥补注释的不足,我们依赖于由视频字幕对组成的相关视频库,称为源库,尽管其视频和目标库中的视频之间存在域间隙。因此,我们介绍了跨模态视频检索的无监督领域自适应的问题,以及一个新的基准上的细粒度的行动。我们提出了一种新的迭代域对齐方法,通过伪标签的目标视频和跨域(即源-目标)的排名。我们的方法使嵌入空间适应目标图库,始终优于仅源以及边缘和条件对齐方法。
2021-10-25 cs.CV cs.LG
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
Knowledge-Data Fusion Based Source-Free Semi-Supervised Domain Adaptation for Seizure Subtype Classification
Key Laboratory of the Ministry of Education for Image Processing and Intelligent Control, School of Artificial Intelligence and Automation, Huazhong University of Science and Technology(华中科技大学人工智能与自动化学院、图像信息处理与智能控制教育部重点实验室)
针对EEG癫痫发作亚型分类的无源半监督域适应(SF-SSDA)问题,提出KDF-MutualSHOT方法,融合原始EEG数据与专家知识,通过相互学习和伪标签策略对齐域分布,在TUSZ和CHSZ数据集上性能优于现有方法。
2024-11-29 cs.AI cs.HC cs.LG
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
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
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
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
Fine-Grained Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation
Radboud University Medical Center(拉德堡德大学医学中心);The Netherlands Cancer Institute(荷兰癌症研究所);Macao Polytechnic University(澳门理工大学)
本文提出一种细粒度无监督跨模态域适应框架,通过向量控制生成器合成伪图像并搜索特征字典进行数据增强,显著提升了前庭神经鞘瘤和耳蜗的分割性能与鲁棒性。
2023-11-25 cs.CV cs.LG eess.IV
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
Adapt under Attack and Domain Shift: Unified Adversarial Meta-Learning and Domain Adaptation for Robust Automatic Modulation Classification
Department of Electrical and Computer Engineering, Clemson University(电气与计算机工程系,克莱姆森大学)
针对自动调制分类(AMC)中对抗攻击与数据分布偏移问题,提出一种结合元学习与领域自适应的统一两阶段框架,显著提升了模型在组合威胁下的分类准确率与鲁棒性。
2025-11-03 cs.AI cs.LG eess.SP
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
DualCross: Cross-Modality Cross-Domain Adaptation for Monocular BEV Perception
UIUC(伊利诺伊大学厄巴纳-香槟分校)
本文提出DualCross框架,通过跨模态跨域自适应将LiDAR点云知识迁移到单目BEV感知模型,首次系统分析野外单目3D任务的跨域跨传感器适应问题,并在大规模数据集上取得最优结果。
2024-06-12 cs.AI cs.CV cs.RO
Unsupervised Adversarial Domain Adaptation Based On The Wasserstein Distance For Acoustic Scene Classification
Tampere University(坦佩雷大学)
基于深度学习的机器监听领域中的一个具有挑战性的问题是当使用来自不可见条件的数据时性能的下降。在本文中,我们专注于声学场景分类(ASC)任务,并提出了一种对抗性的深度学习方法,允许适应声学场景分类系统,以处理由不同记录设备捕获的数据产生的新声道。我们建立在HΔ H距离的理论模型和先前的ASC无监督领域自适应的对抗性判别深度学习方法的基础上,并提出了一种使用Wasserstein距离的基于对抗性训练的方法。我们使用TUT Acoustic Scenes数据集,将来自未知条件的数据的最先进平均准确度从32%提高到45%。
2019-11-06 cs.LG cs.SD eess.AS
Application of Unsupervised Domain Adaptation for Structural MRI Analysis
University of Florida(佛罗里达大学)
这项工作的主要目标是研究无监督域自适应方法在OASIS数据集阿尔茨海默病(AD)检测背景下的各种应用(如二进制分类和异常检测)的有效性。我们还探讨了图像重建和图像合成,用于分析和生成3D结构MRI数据,以建立异常检测的性能基准。我们成功地证明了域自适应提高了AD检测的性能时,在监督和无监督的设置。此外,所提出的方法在OASIS-1数据集上实现了最先进的二进制分类性能。
2022-12-26 cs.CV cs.LG eess.IV
DRANet: Disentangling Representation and Adaptation Networks for Unsupervised Cross-Domain Adaptation
DGIST(大邱庆北科学技术院);POSTECH(浦项科技大学)
在本文中,我们提出了DRANet,一个网络架构,解开图像表示和转移的视觉属性在一个潜在的空间,无监督的跨领域自适应。与现有的领域自适应方法,学习共享域的相关功能,DRANet保留了每个域的特性的独特性。我们的模型编码的内容(场景结构)和风格(艺术外观)从源和目标图像的个人表示。然后,它通过将传输的风格因子与为每个域指定的可学习权重一起合并到内容因子中来适应域。该学习框架允许利用单个编码器-解码器网络进行双向/多向领域自适应,并对齐它们的域移位。此外,我们提出了一个内容自适应域转移模块,有助于保留场景结构,同时转移风格。大量的实验表明,我们的模型成功地分离内容风格的因素,并合成视觉上令人愉快的域转移图像。所提出的方法在标准数字分类任务以及语义分割任务上展示了最先进的性能。
2021-03-28 cs.CV
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
Domain Adaptation via Minimax Entropy for Real/Bogus Classification of Astronomical Alerts
Universidad de Concepción(康塞普西翁大学);Millennium Institute of Astrophysics(千年天体物理研究所);University of Chile(智利大学);Universidad de Chile(智利大学);Fintual Administradora General de Fondos S.A.(Fintual 基金管理公司)
针对HiTS、DES、ATLAS和ZTF间的领域偏移,本文用微调与MME半监督深度领域自适应改进真实/虚假警报分类,仅每类一个目标标注即可显著提升且MME保持源域性能。
2023-08-15 astro-ph.IM cs.AI cs.LG
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
Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation
Indiana University-Purdue University Indianapolis(印第安纳大学-普渡大学印第安纳波利斯分校);University of Massachusetts Dartmouth(马萨诸塞大学达特茅斯分校)
部分领域自适应旨在将知识从一个更大、更多样化的源领域适应到一个更小、类数更少的目标领域,引起了人们的广泛关注。最近的实践领域自适应管理提取有效的功能,通过合并的伪标签的目标域,以更好地对抗跨域分布的分歧。但是,必须将目标数据与一小部分源数据对齐。在本文中,我们开发了一种新的判别式跨域特征学习(DCDF)框架,以迭代优化目标标签与跨域图的加权方案。具体地说,提出了一种加权跨域中心损失和加权跨域图传播耦合未标记的目标数据到相关的源样本的歧视性跨域特征学习,其中无关的源中心将被忽略,以减轻边缘和条件的差异同时。通过与现有的部分领域自适应方法进行比较,在几个常用的标准测试集上的实验结果表明了该方法在促进未标记目标域识别方面的有效性.
2020-08-26 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
Sparse-to-dense Feature Matching: Intra and Inter domain Cross-modal Learning in Domain Adaptation for 3D Semantic Segmentation
Sichuan University(四川大学);University of Electronic Science and Technology of China(电子科技大学);Dalian University of Technology(大连理工大学);National University of Defense Technology(国防科技大学)
当一个新领域缺少注释时,领域自适应是成功的关键。由于三维点云标记过程耗时巨大,三维语义分割的领域自适应方法具有很大的应用前景。随着多模态数据集的兴起,除了3D点云之外,还可以访问大量的2D图像。鉴于此,我们建议通过域内和域间交叉模态学习进一步利用2D数据进行3D领域自适应。对于域内跨模态学习,现有的大多数工作都将密集的2D像素级特征采样到与稀疏的3D点级特征相同的大小,从而导致大量有用的2D特征被丢弃。为了解决这个问题,我们提出了动态稀疏到密集交叉模态学习(DsCML),以增加充分的多模态信息交互的领域自适应。对于域间交叉模态学习,我们进一步在包含不同语义内容的2D和3D数据上推进交叉模态对抗学习(CMAL),旨在促进高级模态互补。我们在各种多模态领域自适应设置下评估我们的模型,包括白天到晚上,国家到国家和电子邮件到数据集,在所有设置下都比单模态和多模态领域自适应方法带来了很大的改进。
2021-08-08 cs.CV
Modular Adaptation for Cross-Domain Few-Shot Learning
SRI International(SRI国际)
适应预先训练的表示已成为学习新的下游任务的首选方法,但示例有限。虽然文献已经证明了巨大的成功,通过表示学习,在这项工作中,我们表明,大量的性能改善下游任务的适应过程的适当设计也可以实现。具体来说,我们提出了一个模块化的适应方法,有选择地执行多个国家的最先进的(SOTA)适应方法的顺序。由于不同的下游任务可能需要不同类型的适配,我们的模块化适配可以根据下游任务动态配置最合适的模块。此外,作为对现有的跨域5路k-shot基准的扩展(例如,miniImageNet -> CUB),我们使用来自10个不同数据集的数据创建了一个新的高速(~100)k-shot基准。这个基准测试提供了一组不同的域,并允许使用从ImageNet学习到的更强的表示。实验结果表明,通过对下游任务定制自适应过程,我们的模块化自适应管道(MAP)在5杆分类精度上比微调和原型网络的基线提高了3.1%。
2021-04-01 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
A Compact DNN: Approaching GoogLeNet-Level Accuracy of Classification and Domain Adaptation
University of Pittsburgh(匹兹堡大学);LG San Jose Lab(LG圣何塞实验室);Duke University(杜克大学)
最近,基于网络架构设计的DNN模型压缩,例如,SqueezeNet,吸引了很多关注。与众所周知的模型相比,在这些非常紧凑的网络上没有观察到图像分类的准确性下降。然而,一个新出现的问题是,这些模型压缩技术是否会损害DNN的学习能力,而不是对单个数据集上的图像进行分类。我们的初步实验表明,这些压缩方法可能会降低领域自适应(DA)的能力,虽然分类性能保持。因此,本文提出了一种新的紧凑网络结构和无监督DA方法。DNN建立在一个新的基本模块Conv-M上,该模块提供了更多样化的特征提取器,而不会显着增加参数。我们的DA方法的统一框架将同时学习跨域的不变性,减少特征表示的发散,并适应标签预测。DNN拥有410万个参数,仅为AlexNet的6.7%或GoogLeNet的59%。实验表明,我们的DNN在分类和DA上都获得了GoogLeNet级别的准确性,我们的DA方法略优于以前的竞争对手。总而言之,我们基于DNN的DA策略在流行的Office-31数据集上的18个DA任务中的16个上实现了最先进的技术。
2017-04-03 cs.AI cs.CV cs.NE
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
Deep Unsupervised Domain Adaptation for Time Series Classification: a Benchmark
AI Research & Systems(AI研究与系统);Ericsson Research(爱立信研究)
针对时间序列领域无监督域适应研究不足的问题,本文构建了含7个新数据集的深度UDA综合基准,可结合主流骨干网络公平评估方法,为相关研究与应用提供重要资源。
2025-07-25 cs.AI cs.LG stat.ML
A Label Proportions Estimation Technique for Adversarial Domain Adaptation in Text Classification
Signal Analysis and Interpretation Lab(信号分析与解释实验室);University of Southern California(南加州大学);Department of Psychiatry and Behavioral Sciences(精神病学与行为科学系);University of Washington(华盛顿大学);Department Educational Psychology(教育心理学系);University of Utah(犹他大学)
许多文本分类任务是领域相关的,并且已经提出了各种领域自适应方法来预测新领域中的未标记数据。领域对抗神经网络(DANN)及其变体近年来得到了广泛的应用,并取得了可喜的成果。然而,这些方法中的大多数都假设源域和目标域的标签比例是相似的,这在大多数现实场景中很少成立。有时,标签偏移可能很大,并且DANN无法学习域不变特征。在这项研究中,我们专注于无监督领域自适应的文本分类与标签偏移,并介绍了一个领域对抗网络与标签比例估计(DAN-LPE)框架。DAN-LPE同时训练一个领域对抗网络,并通过源领域的混淆和目标领域的预测来处理标签比例估计。实验结果表明,DAN-LPE算法能够很好地估计目标标签的分布,减少了标签偏移,提高了分类性能。
2020-03-26 cs.CL cs.LG
Cross-modal Learning for Domain Adaptation in 3D Semantic Segmentation
Inria(法国国家信息与自动化研究所);Valeo(法雷奥)
领域自适应是在标签稀缺时实现学习的重要任务。虽然大多数作品只关注图像模态,但有许多重要的多模态数据集。为了利用多模态进行领域自适应,我们提出了跨模态学习,通过相互模仿来加强两种模态预测之间的一致性。我们限制我们的网络对标记数据进行正确的预测,并对未标记的目标域数据进行跨模态的一致预测。在无监督和半监督领域自适应环境下的实验证明了这种新的领域自适应策略的有效性。具体来说,我们评估的任务,3D语义分割从二维图像,三维点云或从两者。我们利用最近的驾驶数据集来产生各种各样的领域自适应场景,包括场景布局、照明、传感器设置和天气的变化,以及合成到真实的设置。我们的方法显着改善了以前的单峰适应基线的所有适应场景。我们的代码可在https://github.com/valeoai/xmuda_journal上公开获取
2022-06-22 cs.CV
Federated Source-free Domain Adaptation for Classification: Weighted Cluster Aggregation for Unlabeled Data
NEC Corporation(日本电装公司);Kyoto University(京都大学)
针对联邦学习中无标签目标域数据且无法访问源数据的分类任务,提出FedWCA方法,通过客户端聚类、加权聚合及伪标签本地适应,有效缓解域偏移并保护隐私,实验验证其优越性。
2024-12-18 cs.LG