域适应(domain adaptation) 是transfer learning 下的一个子问题,它将问题A具体化为如下的问题:对于一个目标任务(target task),我们收集了一批目标域(target domain)的无标签数据和源域(source domain)的有标签数据, 如何利用这些数据得到一个可接受的模型 for 目标任务。 由于源域和目标域的数据分布不同,所以直接...
实验中使用的算法是基于DC的domain adaptation算法,并加入了属性级别的损失和一致性损失。在辆车数据集上,实验者使用了170个最常见的类别,并使用来自这些类别的网络图像和GSV图像进行了半监督的适应实验。在办公室数据集上,实验者使用了WordNet层次结构中的标签来替代属性标签,并使用这些标签和类别标签来进行多任务学习...
Dynamic adaptation for cross-domain few-shot segmentation 动态适配用于跨领域小样本分割 A Unified Framework for Unsupervised Domain Adaptation based on Instance Weighting [arxiv] Instance weighting for domain adaptation 样本加权用于领域自适应 Updated at 2023-12-08:Target-agnostic Source-free Domain Adapt...
"TENet: Targetness Entanglement Incorporating with Multi-Scale Pooling and Mutually-Guided Fusion for RGB-E Object Tracking." ArXiv (2024). [paper] [code] HDETrack: Xiao Wang, Shiao Wang, Chuanming Tang, Lin Zhu, Bo Jiang, Yonghong Tian, Jin Tang. "Event Stream-based Visual Object Tracki...
这里主要想介绍 GRL(Gradient Reversal Layer)这个机制,这个机制出自论文Unsupervised Domain Adaptation by Backpropagation 论文主要想解决的问题是 domain adaption,即在 source domain 有较多数据,target domain 较少数据,怎么能够较好地同时解决两个 domain 的问题,paper 里提到的方案是从特征层面去解决这个问题 ...
: SHIFT: A Synthetic Driving Dataset for Continuous Multi-Task Domain Adaptation 单位KTH等 作者Tao Sun, Mattia Segu, Janis Postels等 数据简介:本文提出了一个包含离散和连续域偏移的多任务驾驶场景仿真数据集SIFT,包含了多样任务的标注并且包含了多种驾驶条件。使用仿真器搜集的数据集 摘要 适应断...
Target-agnostic Source-free Domain Adaptation for Regression Tasks [arxiv] Target-agnostic source-free DA for regression 用于回归任务的source-free DA On the Out-Of-Distribution Robustness of Self-Supervised Representation Learning for Phonocardiogram Signals [arxiv] OOD robustness for self-supervised ...
Federated Multi-Target Domain Adaptation Federated multi-target DA 联邦学习场景下的多目标DA Learning Transferable Parameters for Unsupervised Domain Adaptation Learning partial transfer parameters for DA 学习适用于迁移部分的参数做UDA任务 MICCAI-21 A Systematic Benchmarking Analysis of Transfer Learning for Me...
{dataset_name}.pt", auto_dataset=auto_dataset, drug_vocab=drug_vocab, target_vocab=target_vocab, seed=seed, test_ratio=test_ratio) self.model_TFusion.load_state_dict(torch.load(f"saved_models/TFusion_{dataset_name}_test1.pt")) self.model_TFusion = self.model_TFusion.cuda() print(self...
权重计算方式如下,假设用户跨场景行为序列p_k^i, 对应的场景信息序列p_k^s,target item为p_t^i,对应的目标场景为p_t^s。 1.2 scenario-specific transform layer 用户兴趣迁移表征v_{cb}, 用户基础信息v_u, 目标item表征v_{ti}, 当前场景信息v_s一起concat作为输入v ...