Domain Adaptation
本文都是李宏毅老师课堂上的总结
背景和意义:
通常在实际生活中我们的训练集和测试集有很大的差异,例如下图左边为你的训练集,而真正让你进行检测和预测的确是右边的图片。
1. Domain Adaptaion 与 transformer learing的区别
Domain Adaptation 是 transformer learing 的一个子部分
如上图所示
就是只有source domain 有label ,在不同的domain 中预测相同的任务
2.什么是domain?
- 按照数据分类(例如:我们举出的背景例子中的两个数据可以理解为两个不同的domain)
- 按照任务分类(例如:分割任务,分类任务)
Source domain(S): 主要是指我们的训练集 这里每个数据都有相应的label
Target domain(T): 主要是预测集 没有label 而且与S 是不同的domain
3.运用
例如 使用gta5 的街景数据,帮助真实世界的街道数据分割之类的任务,因为gta是电脑生成的很容易获取位置
4.原理
Features: 这里就是指的提取出的特征,例如通过resnet 或者vgg提取出的特征 如下图所示
我们可以将特征假设在一个向量空间中 ,我们可以看出s和t的特征分布的差别非常的大,所以我们希望可以将这两个向量空间的映射到一个相似的区间之内。
希望得到的:
5.实现方法
主要的实现方法分为三类:
- Discrepancy-base methods
- Adversarial-based methods
- Reconstruction-based methods
我个人认为 2 和 3的主要区别在于是否分解 3是对数据的分解而2主要是让网络提取 S和T的特征分布相似。
1. Discrepancy-base methods
主要通过一些统计量,计算Target domain 和 Source domain的距离,希望他们统计量上的分布式非常接近的.
样例paper:Deep Domain Confusion:Maximizing for Domain Invariance
上图可以看出该种方法的思想:中左侧可以看出 S:中可以对数据进行分类,但是T和S 的分布差距比较大,后来经过处理之后得到右侧的图片,S和T的分布相似,而且可以通过S的分布和判断标准实现对T的分类。
实现方法如上图所示:就是在Φ 上抽出features 计算距离,计算的方式就是Maximum Mean Discrepancy。
2. Adversarial-based Approaches
Domain Classifier:判断图片来自T 还是 S
Simultaneous Deep Transfer Across Domains and Tasks 开山之作
假设:
paper:的主要内容
Maximu Domain Confusion
类似于GAN的思想:首先希望classifer可以正确分类,然后将classifer的参数不变,修改feature extractor希望他可以骗过classifer
Transfer Label Correlation
让判断东西可能性 也是相符合,class 与 class 之间的关系也作为一个特征。
在实现上述之前 为了突出class之间的关系 我们将Harder lablel 转为 Soft label
Pixel Level:使用GAN 进行对于原图生成神奇宝贝 然后交给鉴别器鉴别,最后用来分类。
文章为什么叫做Pixel level:其实默认s和t之间high level的性质差不多,但是low-level的差别较大。
3. Reonstruction-based
Deep Spearation Networks
解释:
因为我们的目标是分离出特征 所以希望Private Target Encoder 和 Shared Encoder 得出的feature 越不相似越好 所以我们做的就是通过让他们得出的feature 相乘等于0 等于相互独立
Frobenius norm(Frobenius 范数)
拉近相似度的距离:
L (reconstruction)为了训练出来的不是垃圾 可以重新生成之后和原本的数据非常相似。
Feature Disentanglement:例子:InfoGAN,ACGAN
他和其他gan 不同的地方在于有C(latent) 是可解释的
他的C(class)使得可以生成不同class 的照片
Domain Adaptation相关推荐
- 迁移学习——Domain Adaptation
Domain Adaptation 在经典的机器学习问题中,我们往往假设训练集和测试集分布一致,在训练集上训练模型,在测试集上测试.然而在实际问题中,测试场景往往非可控,测试集和训练集分布有很大差异, ...
- 近期必读的9篇CVPR 2019【域自适应(Domain Adaptation)】相关论文和代码
[导读]最近小编推出CVPR2019图卷积网络.CVPR2019生成对抗网络.[可解释性],CVPR视觉目标跟踪,CVPR视觉问答,医学图像分割,图神经网络的推荐相关论文,反响热烈.最近,Domain ...
- Domain adaptation:连接机器学习(Machine Learning)与迁移学习(Transfer Learning)
domain adaptation(域适配)是一个连接机器学习(machine learning)与迁移学习(transfer learning)的新领域.这一问题的提出在于从原始问题(对应一个 so ...
- 基于matlab的fisher线性判别及感知器判别_Deep Domain Adaptation论文集(一):基于label迁移知识...
本系列简单梳理一下<Deep Visual Domain Adaptation: A Survey>这篇综述文章的内容,囊括了现在用深度网络做领域自适应DA(Domain Adaptati ...
- 迁移学习之域自适应理论简介(Domain Adaptation Theory)
©作者 | 江俊广 单位 | 清华大学 研究方向 | 迁移学习 本文主要介绍域自适应(Domain Adaptation)最基本的学习理论,全文不涉及理论的证明,主要是对部分理论的发展脉络的梳理,以及 ...
- 从近年顶会论文看领域自适应(Domain Adaptation)最新研究进展
©PaperWeekly 原创 · 作者 | 张一帆 学校 | 中科院自动化所博士生 研究方向 | 计算机视觉 Domain Adaptation 即在源域上进行训练,在目标域上进行测试. 本文总结了 ...
- 详解3D物体检测模型 SPG: Unsupervised Domain Adaptation for 3D Object Detection via Semantic Point Generation
本文对基于激光雷达的无监督域自适应3D物体检测进行了研究,论文已收录于 ICCV2021. 在Waymo Domain Adaptation dataset上,作者发现点云质量的下降是3D物件检测器性 ...
- 【论文阅读】Universal Domain Adaptation
Universal Domain Adaptation SUMMARY@2020/3/27 文章目录 Motivation Related Work Challenges / Aims /Contri ...
- 【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020 ...
- 主动领域自适应(Active Domain Adaptation)部分经典论文汇总
只简单找了一小部分 CVPR [link] [code] [TQS] [21] Transferable Query Selection for Active Domain Adaptation [l ...
最新文章
- Linux系统下统计目录及其子目录文件个数
- 7分钟分析人类全基因组,他们刷新全球纪录,此前最快也要24小时
- vuex实践之路——笔记本应用(三)
- 你的Redis为什么变慢了?
- 【CodeForces - 510D】Fox And Jumping(dp,stlmap,数论的性质)
- 能被计算机硬件理解的语言,(计算机原理综合练习一含答案.doc
- el-input输入值无法在输入框显示
- qt超强精美绘图控件 - QCustomPlot一览
- ndroid分辨率 dpi 屏幕尺寸 对比图
- 天邑ty400 wifi6路由 安装第三方扩展 Entware
- 软件测试入门知识了解
- 爬虫goodreads数据_精通技术的读者正在设计自己更好的goodreads版本
- 快手正与NBA洽谈战略合作,涉及内容版权和商业化
- Java —— 日期时间 API
- [前端积累]--响应式布局(二)
- 写给自己的python基础
- Ubuntu视频没有声音
- 本地用户和组 无法访问计算机 无效的语法,找不到Windows NT用户或组“DOMAIN \ USER”?...
- Leetcode刷题100天—378. 有序矩阵中第 K 小的元素(优先队列)—day16
- node.js Stream(流) 和 EJS 模板引擎——0822
热门文章
- win10怎么更改c盘用户计算机名,详解win10系统更改c盘用户名文件夹名称的设置技巧...
- android联想搜索不到wifi,联想笔记本搜不到无线网解决办法
- chromium的下载和编译
- [CTF]Brainfuck/Ook!编码
- Android获取超级管理员权限
- Tibco Designer -- 循环遍历
- lnsist不是insist
- 【ZZULIOJ】1096: 水仙花数(函数专题)
- leapmotion 导入 unity 3D 教程
- Word美化技巧:Word文档怎么设置背景图片?