Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering-CVPR2020
无监督域自适应(Unsupervised domain adaptive, UDA)是对目标域上的未标记数据进行预测。主流的UDA方法学习两个领域之间的对齐特征,这样根据源特征训练的分类器可以很容易地应用到目标特征上。然而,这种转移策略有可能破坏目标数据的内在辨识性。为了减轻这一风险,我们以结构域相似性假设为动机,提出通过对目标数据进行判别聚类,直接揭示目标的内在判别。我们使用结构源正则化来约束聚类解决方案,这取决于我们假定的结构域相似性。技术上,我们采用了一种灵活的基于深度网络的判别聚类框架,使网络预测标签分布与引入的辅助标签分布之间的KL差异最小;用源数据地面真实标签形成的辅助分布代替辅助分布,通过联合网络训练的简单策略实现结构化的源正则化。我们将我们提出的方法称为结构正则化深度聚类(SRDC),其中我们还通过中间网络特征聚类增强了目标识别,通过软选择小分歧源实例增强了结构正则化。仔细的消融研究表明我们建议的SRDC的疗效。值得注意的是,由于没有显式的域对齐,SRDC在三个UDA基准测试上优于所有现有方法。
为了解决通过明确学习域对齐特征而破坏内在数据判别的潜在问题,我们在本研究中提出了一种源正则化的深度判别聚类方法,以直接揭示目标数据之间的内在判别。该方法的动机是我们假设这两个领域的结构相似,为此我们将提出的方法称为结构正则化深度聚类(SRDC)。•为了从技术上实现SRDC,我们使用了一个灵活的深度聚类框架,该框架首先引入一个辅助分布,然后最小化引入的分布和网络的预测标签分布之间的KL差异;用源数据的地真标签代替辅助分布,通过联合网络训练的简单策略实现结构化的源正则化。在SRDC中,我们还设计了有用的成分,利用中间网络特征聚类来增强目标识别,并利用低发散源实例的软选择来增强结构正则化。•我们在UDA基准数据集上进行仔细的消融研究,以验证SRDC中提出的单个成分的疗效。值得注意的是,在没有显式域对齐的情况下,我们提出的SRDC在基准数据集上优于所有现有的方法
该框架首先引入一个辅助分布,然后最小化引入的分布和网络的预测标签分布之间的KL差异;用源数据的地真标签代替辅助分布
利用对抗和mmd方法进行源域和目标域的对齐
源数据和目标域数据满足两个假设:
1.领域识别假设:在单个领域中存在固有的数据识别结构,即源域或目标域的数据根据共享标签空间进行区分聚类。
2.类的紧密性假设:对应于同一个类标签的两个域的集群在几何上紧密。
损失函数:KL散度,网络损失
Qt:网络预测标签。Pt:聚类辅助标签
准确率:Office-31 based on ResNet-50
(1)源模型,对标记源样本的基础网络进行微调;
(2)SRDC (w/o结构源正则化)对源预训练模型进行精细调整,即不使用结构源正则化;
(3)SRDC (w/o特征识别),表示在特征空间中不进行源和目标识别的训练;
(4) SRDC (w/o软源样本选择),表示通过软源样本选择进行不增强训练。
Unsupervised Domain Adaptation via Structurally Regularized Deep Clustering-CVPR2020相关推荐
- 【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 ...
- 语义分割-Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述
Unsupervised Domain Adaptation in Semantic Segmentation:a Review语义分割中的无监督领域自适应:综述 0.摘要 1.介绍 1.1.语义分割 ...
- AWB——Complementarity-enhanced Mutual Networks for Unsupervised Domain Adaptation in Person Re-ID
论文地址:arXiv:2006.06525 代码地址:Attentive-WaveBlock 1 概述 这是一篇有关UDA Re-ID的文章,方法性能在paper with code上位居榜首,本文可 ...
- 【ICML 2015迁移学习论文阅读】Unsupervised Domain Adaptation by Backpropagation (DANN) 反向传播的无监督领域自适应
会议:ICML 2015 论文题目:Unsupervised Domain Adaptation by Backpropagation 论文地址: http://proceedings.mlr.pre ...
- CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化
CVPR2019:Domain-Specific Batch Normalization for Unsupervised Domain Adaptation无监督域适配的特定域批处理规范化 0.摘要 ...
- 《Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation》论文阅读
Weighted Maximum Mean Discrepancy for Unsupervised Domain Adaptation 摘要 类先验分布(Class prior distributi ...
- Unsupervised Domain Adaptation with Variational Approximation for Cardiac Segmentation
Wu F, Zhuang X. Unsupervised domain adaptation with variational approximation for cardiac segmentati ...
- TGRS2022/云检测:Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment
TGRS2022/云检测:Unsupervised Domain Adaptation for Cloud Detection Based on Grouped Features Alignment ...
- 无源领域自适应:Source Hypothesis Transfer for Unsupervised Domain Adaptation
Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adap ...
最新文章
- 对比BF245、2SK30A,2SK160A与2SK241对于150kHz导航信号放大关系
- 常考数据结构与算法:子数组中的最大累加和问题
- csp-c模拟测试43「A·B·C」
- php框架中数据库模型层原理,简单模拟ThinkPHP框架模型层对数据库的链式操作-Go语言中文社区...
- Kmeans算法解析(非常详细)
- 关于equals和==的几个注意点
- 锐捷linux网卡,CentOS 7安装MentoHUSTt锐捷认证程序
- fcpx插件:去除音频中的回声混响插件 EchoRemover
- 数组和集合之间的转化
- Elasticsearch——》测试:es近义词(同义词)配置
- c语言苹果大小分级,苹果品质分级标准您知道吗?
- 透明网桥对数据帧的处理方式
- Hulu校招补录已开始,1年内工作经验也可投!
- 关于openpyxl读取excel中图片(shape)的注意点
- 照片损坏怎么办,怎么恢复受损照片
- PG系列6-PostgreSQL的体系架构
- java代码开发类似知网导出_知网语义相似度计算java实现 - 源码下载|其它|中文信息处理|源代码 - 源码中国...
- 翻译:Pong Game Tutorial
- Linux安装Googlepinyin
- 功能测试与非功能测试