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 separation network / NeurIPS 2016
弊端:由于图像重构要求较多的域信息,重构图像很可能导致学习到的域不变特征中仍含有很多剩余的特定于域的信息,这样的信息对迁移会产生负影响。
Multi-adversarial domain adaptation / AAAI 2018
弊端:过多的判别器可能会打破对抗训练脆弱的平衡。
桥:现有表示和理想表示之间的差异(两个向量间差值的范数)
现有特征表示:当前网络所提取到的特征
理想表示:进行了特征分布匹配 后的特征表示
关键点:桥会逐渐减小(渐进消失桥),GVB是一个可应用于对抗域适配方法的通用组件
- GVB on Generator---GVB-G
- GVB on Discriminator---GVB-D
- GVB on both Generator and Discriminator---GVB-GD
生成器上的桥:源域或中间域与目标域的差异
判别器中:-------表示原判别器域的分界线,但有错分的情况
·······表示判别器 的桥(不是域的界限,而是与理想分界线的差异)
介于这两条线中间的线会恰好把源域和目标域分开
网络对源域和目标域的处理是完全相同的(上下对称)。把特征提取器的结果分别输入到G2和G3中,G2输出的和G3输出的是两个维度相同的向量。
是进行了分布匹配的理想表示,是当前提取到的特征表示,是中所蕴含的源域特有的特征。
把输入到D1和D2中得到判别器的输出结果和判别器桥上的输出结果。桥是提供了额外的判别能力,对判别器的结果进行修正,这一步是进行相加得到修正后的结果。
GVB on G:
如果Gamma比较大的话,说明:
1:x是一个难样本,该数据包含的较多的域特定特征
2:共享特征和该样本的特定特征较难分开
Gradually Vanishing Bridge for Adversarial Domain Adaptation(CVPR2020)笔记相关推荐
- 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 ...
- 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 ...
- 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 ...
- (PADA)Partial Adversarial Domain Adaptation笔记
(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 ...
- Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain Adaptation
ICML2019: Transferability vs. Discriminability: Batch Spectral Penalization for Adversarial Domain A ...
- 【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 ...
- Importance Weighted Adversarial Nets for Partial Domain Adaptation学习笔记
Importance Weighted Adversarial Nets for Partial Domain Adaptation学习笔记 文章目录 Importance Weighted Adve ...
- 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 ...
- 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 ...
最新文章
- 修改MySQL日志文件位置
- 泊松分布的分布函数_第114讲 SAS泊松分布与泊松回归
- Ardino基础教程 5_按键控制
- 一篇写的很好的XGBoost的博客(于简书转载)
- 实战项目---模拟商品采购中心信息平台
- 10个适用于Java程序员的有用单元和集成测试工具
- echarts 大屏模板_年会策划万能模板 ,玩转年会看这篇!
- html插一置顶图片,HTML实现置顶--火箭置顶
- 【第三方授权登录】微信授权登录
- 北京交通大学离散数学 谓词逻辑_离散数学测验题——谓词逻辑答案
- 如何在vue中使用Cesium加载shp文件、wms服务、WMTS服务
- java 静态方法中调用非静态方法
- Thumbnails 压缩图片到指定kb
- 对比不同主流存储格式(csv, feather, jay, h5, parquet, pickle)的读取效率
- java打印直角三角形解析_编写java程序,打印3个5行直角三角形图案 运行效果如下: 使用 方法 实现 代码截图,必须含有2位学号+姓名_学小易找答案...
- unity动画系统之两个动画片段之间连线设置
- 设计模式的1000+篇文章总结
- 数据优化| CnOpenData电影评论数据
- 【VS】vs2012解决nuget下载太慢的问题
- 1w存银行一年多少利息_银行存款100万,一年后可以拿到多少钱?
热门文章
- 【微信支付】十分钟解决内网穿透,实现微信支付本地测试
- PCB设计走线细节讲解(图文结合|强力推荐)
- [Python深度学习入门]实战一·Numpy梯度下降求最小值
- swoole-面向连接(tcp)的心跳检测和合包分包
- 基于词汇衔接的文档级扩展机器翻译评测指标
- 如何使用基础的conda
- Linux下编译pjproject-2.6并运行例程simple_pjsua
- 狂神说Java--Java学习笔记(基础合集)
- 随便写的一篇,记录我的hyperledger -ca折腾
- php处理微信消息,微信开发之处理微信客户端发来的消息