开放集领域自适应OSDA（二）：Open Set Domain Adaptation by Backpropagation论文原理

原创 已于 2022-04-28 01:06:24 修改 · 1.3k 阅读 · 1
于 2022-03-27 09:27:55 首次发布
本文介绍了开放集域适应（OSDA）的新方法，利用对抗训练来处理源域和目标域之间的差异，尤其在目标域中存在未知类别的场景。传统方法假设所有目标样本属于源域类别，但OSDA考虑了未知目标样本，通过训练分类器和生成器在目标样本与已知类别之间建立边界。实验结果表明，该方法在多个数据集上优于其他开放集识别和域适应方法。

文章目录

前言

  • 文章来自2018年的ECCV
  • 本文是本人开放集领域自适应OSDA系列论文的第2篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望各位大佬们不吝点赞，给个Star哦~

摘要

  • 人们已经提出了许多算法来将知识从标签丰富的领域（源）转移到标签稀缺的领域（目标）。几乎所有这些都是针对封闭集场景提出的，其中源域和目标域完全共享其样本的类。我们称共享类为“已知类”然而，在实践中，当目标域中的样本没有标记时，我们无法知道这些域是否共享该类。目标域可以包含源域不共享的类的示例。我们称这些类为“未知类”，在开集情况下运行良好的算法非常实用。然而，大多数现有的域适配分布匹配方法在这种情况下不能很好地工作，因为未知目标样本不应该与源样本对齐。
  • 在本文中，我们提
标签
#深度学习 #计算机视觉 #机器学习 #开放集领域自适应
了解本专栏 订阅专栏 解锁全文 超级会员免费看
开放集域适应文献阅读四
QoMo的博客
11-18 854
开放集域适应。
笔记：unsupervised domain adaptation by backpropagation
热门推荐
easylifer的专栏
03-30 1万+
这篇文章是结合对抗网络框架与深度学习技术解决domain adaptation应用的一个工作。
第二十四篇——Unsupervised Domain Adaptation by Backpropagation.pdf
11-23
顶级的深层架构是在大量标记数据上训练的。在某项任务缺少标记数据时，域适应通常提供了一个有吸引力的选择，因为可以获得性质相似但来自不同领域的标记数据(例如合成图像)。在此，我们提出了一种新的领域适应方法，该方法可以训练来自源域的大量标记数据和来自目标域的大量未标记数据(不需要标记的目标域数据)。随着训练的进行，该方法促进了“深度”特征的出现，这些特征(i)对源域上的主要学习任务具有区分能力，(ii)对于域之间的转换不变性。我们表明，这种适应行为可以在几乎任何前馈模型中实现，通过增加少量的标准层和一个简单的新的梯度反转层。由此产生的增强架构可以使用标准的反向传播进行训练。总的来说，使用任何深度学
开放集领域自适应OSDA（一）：Open Set Domain Adaptation论文原理
lyy的博客
03-25 3904
文章目录前言摘要介绍2. Related Work3. Open Set Domain Adaptation3.1. Unsupervised Domain Adaptation3.2. Semi-supervised Domain Adaptation3.3. Mapping 前言 文章来自2017年的ICCV 本文是本人开放集领域自适应OSDA系列论文的第64篇，所有系列论文的相关代码在https://github.com/CtrlZ1/Domain-Adaptation-Algorithms，希望
通过反转图像来理解深度图像
12-14
反卷积（Deconvolution）的概念第一次出现是Zeiler在2010年发表的论文Deconvolutional networks中，但是并没有指定反卷积这个名字，反卷积这个术语正式的使用是在其之后的工作中(Adaptive deconvolutional networks for mid and high level feature learning)。随着反卷积在神经网络可视化上的成功应用，其被越来越多的工作所采纳比如：场景分割、生成模型等。其中反卷积（Deconvolution）也有很多其他的叫法，比如：Transposed Convolution，Fractional Strided Convolution等等。
Open Set Domain Adaptation by Backpropagation
卡卡西的博客
06-02 1562
2018 ECCV论文 开放域适应专题
开放集域适应文献阅读二
QoMo的博客
11-17 1007
开放集域适应。
Open Set Domain Adaptation 开集领域适应
Pr4da的博客
05-01 2328
1. Motivation 2017年ICCV上发表了一篇题为OpenSetDomainAdaptationOpen Set Domain AdaptationOpenSetDomainAdaptation[1]的论文说：一般我们所讲的领域适应(domain adaptation)是在一个闭集(close set)的前提条件下进行的，即源域和目标与拥有相同的标签类别。但是在大多数的实际情况中，源域和目标域可能只共享了一部分相同类别。如图1所示（图片来源于文献[1]），在Close set domain
Open Set Domain Adaptation by Backpropagation(OSBP)论文数字数据集复现
且慢
11-03 2538
Open Set Domain Adaptation by Backpropagation(OSBP)论文数字数据集复现 文章目录Open Set Domain Adaptation by Backpropagation(OSBP)论文数字数据集复现1.准备数据集2.模型结构3.训练（SVHN→\rightarrow→ MNIST）4.结果 1.准备数据集 MNIST数据集：28*28，共70000张图片，10类数字 USPS数据集：16*16，共20000张图片，10类数字 SVHN数据集：32*32，共
Open Set Domain Adaptation 开放集域适应--论文笔记
yykkkybs的博客
09-17 770
https://zhuanlan.zhihu.com/p/31230331参考知乎大神的文章，很清晰
improved open set domain adaptation with backpropagation 学习笔记
且慢
11-09 1784
improved open set domain adaptation with backpropagation 学习笔记 文章目录improved open set domain adaptation with backpropagation 学习笔记TIPABSTRACT1.INTRODUCTION AND RELATED WORK2.PROPOSED METHOD2.1 Overall Idea TIP KL距离，是Kullback-Leibler差异（Kullback-Leibler Diverge
开放集域适应文献阅读五
QoMo的博客
11-22 623
开放集域适应。
Open set Domain Adaptation by Backpropation
weixin_44575717的博客
02-20 511
今天这篇文章深深地体会到了番茄炒蛋的魅力，炒的也太成功了，作为小白，我还是有许多不懂的地方~ 1. OSVM是个什么东西啊，我也没搜出来。 2. 为什么要用二元交叉熵来建立未知边界呢？ 3. 测试的方法很讲究啊，我没读懂测试算法的流程。 ...
领域自适应（Domain Adaptation）的简单介绍
百年孤独百年的博客
05-30 1万+
领域自适应（Domain Adaptation）是指通过学习源领域和目标领域之间的差异，来实现将源领域的模型迁移到目标领域的能力。在实际应用中，由于数据的获取和标注成本较高，我们通常会面临数据集不完整、不平衡、标注不准确等问题，这些问题会影响模型的泛化能力和性能。领域自适应可以帮助我们解决这些问题，提升模型的泛化能力和性能。
开放集（一）Open Set Domain Adaptation: Theoretical Bound and Algorithm
qq_42595295的博客
02-27 1965
这一篇论文感觉十分偏理论，我感觉只是理解了个大概。1.第一步是使用OSNN（开放集最近邻）算法对目标域样本进行标签预测。通过公式（12）得到一个优化后的分类器h。2.计算矩阵L,W。L为拉普拉斯矩阵，可写成D − W, D为对角矩阵，Dii = j=1到 ns+nt 对Wij求和，W矩阵为样本相似度矩阵。3.迭代过程。每一次迭代中，（1）计算MMD矩阵M；（2）通过式（21）计算 β；（3）β的转置×K得到的结果为新一轮更新的目标域伪标签的值。
Open Set Domain Adaptation
gdtop的个人笔记
04-16 4858
本篇是迁移学习专栏介绍的第十篇论文，也算是本专栏专门讲Domain Adaptation的第一篇论文。这篇文章是接受于ICCV 2017，文章的setting是特别新颖的，获得了ICCV Marr Prize 提名。所以很值得一看。 Abstract 当训练和测试数据属于不同的领域时，对象分类器的精度会显著降低。因此，为了减少数据集之间的域转移，近年来提出了几种算法。然而，所有可用的域适应评估...
开放集域适应
Gengmeina的博客
10-17 1533
**问题：**训练集和测试集不同时，对象分类器的精度降低； **解决：**既要适应于封闭集也要适应于开放集； **目的：**将那些可能属于源数据中感兴趣的类别目标实例标记出来； **方法：**即迭代求解方法； 需了解的知识： 域适应：为了使用源域中带注释的图像对目标域中的图像进行分类，在本文中，将源域的特征空间映射到目标域的特征空间，通过对源域中转换后的数据学习任何分类器对目标域分类。 开放集和封...
Unsupervised Domain Adaptation by Backpropagation 阅读笔记
u011630472的博客
05-07 827
链接:Unsupervised Domain Adaptation by Backpropagation笔记
DANN：Unsupervised Domain Adaptation by Backpropagation
gdtop的个人笔记
04-17 1万+
本篇是迁移学习专栏介绍的第十三篇论文，发表在ICML15上。论文提出了用对抗的思想进行domain adaptation，该方法名叫DANN(或RevGrad)。核心的问题是同时学习分类器、特征提取器、以及领域判别器。通过最小化分类器误差，最大化判别器误差，使得学习到的特征表达具有跨领域不变性。 Abstract 高性能的深层体系结构是针对大量标记数据进行训练的。在缺少特定任务的标...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

CtrlZ1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值