(PADA)Partial Adversarial Domain Adaptation笔记

提出了部分对抗性领域自适应算法(PADA),它通过降低离群源类别数据的权重来减轻负迁移,并通过匹配共享标签空间中的特征分布来促进正迁移。

Partial Adversarial Domain Adaptation:

源域:个类别

目标域:个类别

挑战:

  • 降低离群源类的影响来缓解负迁移
  • 减少的分布差异来促进正迁移

Domain Adversarial Neural Network:

DANN的目标:

旧知识了,不再阐述。

Partial Adversarial Domain Adaptation:

这篇文章提出了PADA,主要思想是降低离群标签空间对分类器和对抗网络的影响。源分类器对于每个数据点的输出是在源标签空间上的概率分布,也就是数据点xi属于个类别的概率。

每个源类的权重计算如下:

原文中还对γ进行了归一化,但是我认为已经是归一化了呀,求大神指导~~~

总的目标函数:

(PADA)Partial Adversarial Domain Adaptation笔记相关推荐

  1. Partial Adversarial Domain Adaptation学习笔记

    Partial Adversarial Domain Adaptation学习笔记 文章目录 Partial Adversarial Domain Adaptation学习笔记 tip Abstrac ...

  2. Gradually Vanishing Bridge for Adversarial Domain Adaptation(CVPR2020)笔记

    Gradually Vanishing Bridge for Adversarial Domain Adaptation(CVPR2020)笔记 举两个现有方法存在弊端的例子: Domain sepa ...

  3. 最优传输论文(六十四):Gradually Vanishing Bridge for Adversarial Domain Adaptation论文原理

    文章目录 前言 摘要 1. Introduction 2.相关工作 3. Method 3.1. Adversarial Domain Adaptation 3.2. Gradually Vanish ...

  4. Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation

    ICML2019: Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain A ...

  5. 【论文翻译】DANN的改进ADDA Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks

    [论文翻译]DANN的改进ADDA: Multimodal Vigilance Estimation with Adversarial Domain Adaptation Networks 1.研究背 ...

  6. 语义分割-CyCADA: Cycle-Consistent Adversarial Domain Adaptation.循环一致对抗领域自适应

    CyCADA: Cycle-Consistent Adversarial Domain Adaptation. 0.摘要 1.概述 2.相关工作 3.循环一致性对抗领域自适应 4.实验 4.1.数字数 ...

  7. Backprop Induced Feature Weighting for Adversarial Domain Adaptation with Iterative Label Distributi

    反向传播算法诱导的特征加权用于迭代标签分布对齐的对抗域适应 研究问题: 主流的基于对抗的方法在适应过程中通常会忽略分类器,而且对分类没有影响的背景特征也得到了适应. 存在标签分布偏移( LDS ),源 ...

  8. Gradually Vanishing Bridge for Adversarial Domain Adaptation

    文章领域:迁移学习 效果: 结构: 这篇文章对它所提出来的GVB的描述,还是挺模糊的,没有具体的网络结构表,所以想要详细理解,还要去它公开的代码里去看.(https://github.com/cuis ...

  9. 【弱监督学习】Weakly Supervised Adversarial Domain Adaptation for Semantic Segmentation in Urban Scenes

    0. 前言 本文是2019年发表在IEEE Transactions On Image Processing期刊上的一篇关于弱监督的城市场景语义分割的文章,文章中采用两个域分类器进行对抗训练,从而提高 ...

最新文章

  1. ubuntu开机出现:system program problem detected
  2. alteon ad3 配置
  3. ubuntu安装远程桌面连接工具
  4. Petuum - Careers
  5. SqlServer时间戳与普通格式的转换
  6. Python可以这样学(第三季:多线程与多进程编程)-董付国-专题视频课程
  7. Find the longest route with the smallest starting point
  8. 区块链技术用解决拜占庭将军问题_区块链是如何解决拜占庭将军问题的?
  9. new 操作符干了什么?
  10. Excel函数 (使用 「index + match」代替 vlookup进行查询)
  11. hashmap put过程_阿里面试官:HashMap数据结构之道
  12. 深入了解 HTML 5
  13. 世界上没有一模一样的东西_免费是世界上最昂贵的东西
  14. 上海富勒wms_【3PL | 多家三方物流应用富勒WMS,仓配一体助力供应链升级】
  15. 如何利用TFTP服务器上传文件到真机交换机?可使用SecureCRT和3CDaemon工具
  16. Java实现N元一次方程组求解
  17. 五笔字形字根及难字拆分
  18. 学习java和html必须要知道的英文单词(入门单词,包括C#)
  19. 舒淇出席活动兴致低 否认收张震结婚请柬
  20. SequoiaDB巨杉数据库-使用

热门文章

  1. Display常用英文缩写
  2. linux分屏桌面环境,Linux分屏操作screen[装逼神器]
  3. 五分钟看懂同城小程序是什么,能做什么!
  4. 陪我到可可西里看一看海,不要未来,只要你来。——大冰 《陪我到可可西里去看海》
  5. Ubuntu windows双系统没有引导界面的解决办法
  6. 墨菲定律 Murphy’s Law
  7. rust怎么发送求救信号_海上遇险怎么发求救信号?
  8. 【Day27 文献泛读】物体位置与空间关系的心理表征
  9. mysql 语言 总结
  10. Python 变量作用域问题 函数名.变量名