CN116484218A - 基于双分类器加权对抗的无监督部分域适应方法 - Google Patents

基于双分类器加权对抗的无监督部分域适应方法 Download PDF

Info

Publication number
CN116484218A
CN116484218A CN202310425555.XA CN202310425555A CN116484218A CN 116484218 A CN116484218 A CN 116484218A CN 202310425555 A CN202310425555 A CN 202310425555A CN 116484218 A CN116484218 A CN 116484218A
Authority
CN
China
Prior art keywords
domain
classifiers
loss
sample
feature extractor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310425555.XA
Other languages
English (en)
Inventor
田青
卢章虎
周家仲
张衡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN202310425555.XA priority Critical patent/CN116484218A/zh
Publication of CN116484218A publication Critical patent/CN116484218A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于双分类器加权对抗的无监督部分域适应方法，包括如下步骤：S1、样例加权：对源域的每个样本进行加权操作；S2、计算分类损失：基于标记的源样本计算分类损失，最小化分类损失训练特征提取器和两个分类器，使模型拟合源域的分布；S3、计算预测差异损失：将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失；S4、对抗学习：冻结特征提取器，通过最大化预测差异损失和分类损失来更新两个分类器；再冻结两个分类器，通过最小化预测差异损失来更新特征提取器，重复这一步骤进行对抗学习。本发明兼顾了目标域信息与难分类样本，能够实现更好的领域适应效果。

Description

基于双分类器加权对抗的无监督部分域适应方法
技术领域
本发明属于自适应技术领域，更具体地说，涉及一种基于双分类器加权对抗的无监督部分域适应方法。
背景技术
无监督域适应，无监督域适应旨在将知识从有标签的源域迁移到无标签的目标域。通过减少源域和目标域之间的域偏移，使得在标记源域数据上训练的模型在未标记的目标域数据上具有较好的性能。现有的无监督域适应方法研究方法大致可以分为三类。第一类是统计矩匹配，通过最小化一些定义的统计差异度量来缓解两个域之间的差距。第二类是采用对抗学习框架，引入领域判别器进行领域分类，然后强制特征提取器混淆领域判别器学习领域不变特征。第三种路径基于对抗生成框架，将域鉴别器与生成器相结合，生成假数据并基于像素级对齐两个域之间的分布。
部分域适应，在实际应用中，寻找与目标域具有相同标签空间的源域往往很困难。更一般的情况是，目标域中的类是源域中类的子集，称为部分域适应。由于源域中的离群类，部分域适应对标准域适应方法提出了挑战。标准域适应对齐域之间的整个分布可能会迫使离群类与目标域匹配。因此，经过训练的源分类器会对大部分目标数据进行错误分类，可能会触发负迁移。而现有的部分域适应方法只利用源域信息估计源实例权重来减少部分类缺失导致的负迁移，而忽略了目标域信息，同时对于那些类别不明难以分类的目标域样本也没有很好的方法解决。
发明内容
针对现有技术的不足，本发明专利提出了一种基于双分类器加权对抗的无监督部分域适应方法，利用目标域聚类提取目标信息权重加以双分类器对抗学习来解决现有的部分域适应方法中目标域信息未充分利用以及分类那些类别不明的样本难以分类的问题。
为了解决上述技术问题至少之一，根据本发明的一方面，提供了一种基于双分类器加权对抗的无监督部分域适应方法，包括如下步骤：
S1、样例加权：通过结合源域信息和目标域信息计算出权重w，对源域的每个样本进行加权，从而消除源域中多余样本导致的负迁移；
S2、计算分类损失：基于标记的源样本计算分类损失Lcls，最小化分类损失训练特征提取器和两个分类器，更新网络参数；
S3、计算预测差异损失：将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失Ldis；
S4、对抗学习：冻结特征提取器，通过最大化预测差异损失Ldis和分类损失Lcls来更新两个分类器；再冻结两个分类器，通过最小化预测差异损失Ldis来更新特征提取器，重复这一步骤进行对抗学习。
进一步的，步骤S1中，所述对源域的每个样本进行加权操作的方法如下：根据公式(6)进行计算，得到目标域样本xi t的权值w；
所述样本加权算法如下：
归一化：
计算最终的权值w：
其中，是目标域样本/>通过特征提取器F提取出的特征输入到分类器C1得到的预测结果，ws是类级别的权重，对于每一个类别具有一个权重值，即：/> 是源域样本/>通过特征提取器F提取出的特征输入到聚类G得到的预测结果在通过softmax激活函数得到预测概率，/>是实例级别的权重，w是最终的权值，/>是第i个样本其所属类别c(i)的权重，/>代表预测概率/>的熵，ns代表源域样本的数量，nt代表目标域样本的数量,/>代表源域类别的数量。
进一步的，步骤S1中，目标域聚类G的操作步骤如下：
S11、首先通过公式(7)计算源域类中心
其中，是属于第k个类别的样本/>通过特征提取器提取的样本特征。
S12、使用K-means聚类算法对目标样本进行聚类，初始类中心初始化为源域类中心，即令
S13、通过公式(8)来给目标域样本标记伪标签
S14、根据目标域的当前伪标签更新类中心，公式如下：
其中，代表属于第k个类的样本数量；
S15、重复步骤S11-14，直到算法收敛。
进一步的，步骤S2中，基于标记的源样本计算分类损失Lcls，最小化分类损失训练特征提取器和两个分类器操作的具体步骤如下：
S21、计算分类损失：
其中，表示源域的真实标签，Cj表示第j个分类器，Lce(·,·)表示交叉熵函数，其公式为：
Lce(p,q)＝-plogq(11)
S22、通过公式(12)最小化分类损失来训练特征提取器和两个分类器，更新其网络参数：
进一步的，步骤S3中，将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失Ldis，公式如下：
其中，d(·,·)表示差异度量函数，采用L1损失来衡量两个分类器间的差异，其公式为：
其中，p1,p2分别为两个分类器的预测概率，代表分类器C1中的第i个类别的预测概率，/>代表分类器C2中的第i个类别的预测概率，代表计算绝对值。
进一步的，步骤S4中，通过对抗训练来学习域不变特征，其具体步骤如下：
S41、冻结特征提取器，通过公式(15)来更新两个分类器，
S42、冻结两个分类器，通过通过公式(16)来更新特征提取器，
重复S41和S42进行对抗学习。
根据本发明的另一方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现本发明的基于双分类器加权对抗的无监督部分域适应方法中的步骤。
根据本发明的又一方面，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现本发明的基于双分类器加权对抗的无监督部分域适应方法中的步骤。
相比于现有技术，本发明至少具有如下有益效果：
本发明的基于双分类器加权对抗的无监督部分域适应方法，一方面针对提取目标域信息，采用聚类的方式来匹配两个域中与同一标签相关联的类，从而提取出含有目标域信息的权重，再结合源域权重计算出最终的样本权值w，同时探索源域信息和目标域信息，提高了识别相关样本的能力。另一方面针对难分类样本，采用了双分类器对抗的方式，更好得提取具有判别性得特征，从而能够对困难样本进行分类。本发明兼顾了目标域信息与难分类样本，能够实现更好的领域适应效果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例的附图作简单地介绍，显而易见地，下面描述中的附图仅仅涉及本发明的一些实施例，而非对本发明的限制。
图1示出了本发明方法流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。
除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
实施例1：
如图1所示，一种基于双分类器加权对抗的无监督部分域适应方法，包括如下步骤：
S1、样例加权：通过结合源域信息和目标域信息计算出权重w，对源域的每个样本进行加权，从而消除源域中多余样本导致的负迁移；
S2、计算分类损失：基于标记的源样本计算分类损失Lcls，最小化分类损失训练特征提取器和两个分类器，更新网络参数；
S3、计算预测差异损失：将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失Ldis；
S4、对抗学习：冻结特征提取器，通过最大化预测差异损失Ldis和分类损失Lcls来更新两个分类器；再冻结两个分类器，通过最小化预测差异损失Ldis来更新特征提取器，重复这一步骤进行对抗学习。
步骤S1中，所述对源域的每个样本进行加权操作的方法如下：根据公式(6)进行计算，得到目标域样本xi t的权值w；
所述样本加权算法如下：
归一化：
计算最终的权值w：
其中，是目标域样本/>通过特征提取器F提取出的特征输入到分类器C1得到的预测结果，ws是类级别的权重，对于每一个类别具有一个权重值，即：/> 是源域样本/>通过特征提取器F提取出的特征输入到聚类G得到的预测结果在通过softmax激活函数得到预测概率，/>是实例级别的权重，w是最终的权值，/>是第i个样本其所属类别c(i)的权重，/>代表预测概率/>的熵，ns代表源域样本的数量，nt代表目标域样本的数量,代表源域类别的数量。
步骤S1中，目标域聚类G的操作步骤如下：
S11、首先通过公式(7)计算源域类中心
其中，是属于第k个类别的样本/>通过特征提取器提取的样本特征。
S12、使用K-means聚类算法对目标样本进行聚类，初始类中心初始化为源域类中心，即令
S13、通过公式(8)来给目标域样本标记伪标签
S14、根据目标域的当前伪标签更新类中心，公式如下：
其中，代表属于第k个类的样本数量；
S15、重复步骤S11-14，直到算法收敛。
步骤S2中，基于标记的源样本计算分类损失Lcls，最小化分类损失训练特征提取器和两个分类器操作的具体步骤如下：
S21、计算分类损失：
其中，表示源域的真实标签，Cj表示第j个分类器，Lce(·,·)表示交叉熵函数，其公式为：
Lce(p,q)＝-plogq(11)
S22、通过公式(12)最小化分类损失来训练特征提取器和两个分类器，更新其网络参数：
步骤S3中，将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失Ldis，公式如下：
其中，d(·,·)表示差异度量函数，采用L1损失来衡量两个分类器间的差异，其公式为：
其中，p1,p2分别为两个分类器的预测概率，代表分类器C1中的第i个类别的预测概率，/>代表分类器C2中的第i个类别的预测概率，代表计算绝对值。
步骤S4中，通过对抗训练来学习域不变特征，其具体步骤如下：
S41、冻结特征提取器，通过公式(15)来更新两个分类器，
S42、冻结两个分类器，通过通过公式(16)来更新特征提取器，
重复S41和S42进行对抗学习。
实施例2：
本实施例的计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例1的基于双分类器加权对抗的无监督部分域适应方法中的步骤。
本实施例的计算机可读存储介质可以是终端的内部存储单元，例如终端的硬盘或内存；本实施例的计算机可读存储介质也可以是所述终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡，安全数字卡，闪存卡等；进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。
本实施例的计算机可读存储介质用于存储计算机程序以及终端所需的其他程序和数据，计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3：
本实施例的计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例1的基于双分类器加权对抗的无监督部分域适应方法中的步骤。
本实施例中，处理器可以是中央处理单元，还可以是其他通用处理器、数字信号处理器、专用集成电路、现成可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等；存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据，存储器的一部分还可以包括非易失性随机存取存储器，例如，存储器还可以存储设备类型的信息。
本领域内的技术人员应明白，实施例公开的内容可提供为方法、系统、或计算机程序产品。因此，本方案可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本方案可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本方案是参照根据本方案实施例的方法、和计算机程序产品的流程图和/或方框图来描述的，应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合；可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
本发明所述实例仅仅是对本发明的优选实施方式进行描述，并非对本发明构思和范围进行限定，在不脱离本发明设计思想的前提下，本领域工程技术人员对本发明的技术方案作出的各种变形和改进，均应落入本发明的保护范围。

Claims (8)

1.一种基于双分类器加权对抗的无监督部分域适应方法，其特征在于，包括如下步骤：
S1、样例加权：通过结合源域信息和目标域信息计算出权重w，对源域的每个样本进行加权，从而消除源域中多余样本导致的负迁移；
S2、计算分类损失：基于标记的源样本计算分类损失Lcls，最小化分类损失训练特征提取器和两个分类器，更新网络参数；
S3、计算预测差异损失：将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失Ldis；
S4、对抗学习：冻结特征提取器，通过最大化预测差异损失Ldis和分类损失Lcls来更新两个分类器；再冻结两个分类器，通过最小化预测差异损失Ldis来更新特征提取器，重复这一步骤进行对抗学习。
2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述对源域的每个样本进行加权操作的方法如下：根据公式(6)进行计算，得到目标域样本xi t的权值w；
所述样本加权算法如下：
归一化：
计算最终的权值w：
其中，是目标域样本/>通过特征提取器F提取出的特征输入到分类器C1得到的预测结果，ws是类级别的权重，对于每一个类别具有一个权重值，即：/> 是源域样本/>通过特征提取器F提取出的特征输入到聚类G得到的预测结果在通过softmax激活函数得到预测概率，/>是实例级别的权重，w是最终的权值，/>是第i个样本其所属类别c(i)的权重，/>代表预测概率/>的熵，ns代表源域样本的数量，nt代表目标域样本的数量,/>代表源域类别的数量。
3.根据权利要求2所述的方法，其特征在于，步骤S1中，目标域聚类G的操作步骤如下：
S11、首先通过公式(7)计算源域类中心
其中，是属于第k个类别的样本/>通过特征提取器提取的样本特征。
S12、使用K-means聚类算法对目标样本进行聚类，初始类中心初始化为源域类中心，即令
S13、通过公式(8)来给目标域样本标记伪标签
S14、根据目标域的当前伪标签更新类中心，公式如下：
其中，代表属于第k个类的样本数量；
S15、重复步骤S11-14，直到算法收敛。
4.根据权利要求3所述的方法，其特征在于，步骤S2中，基于标记的源样本计算分类损失Lcls，最小化分类损失训练特征提取器和两个分类器操作的具体步骤如下：
S21、计算分类损失：
其中，表示源域的真实标签，Cj表示第j个分类器，Lce(·,·)表示交叉熵函数，其公式为：
Lce(p,q)＝-p log q (11)
S22、通过公式(12)最小化分类损失来训练特征提取器和两个分类器，更新其网络参数：
5.根据权利要求4所述的方法，其特征在于，步骤S3中，将未标记的目标域样本输入的两个分类器中，通过两个分类器的输出来计算预测差异损失Ldis，公式如下：
其中，d(·,·)表示差异度量函数，采用L1损失来衡量两个分类器间的差异，其公式为：
其中，p1,p2分别为两个分类器的预测概率，代表分类器C1中的第i个类别的预测概率，/>代表分类器C2中的第i个类别的预测概率，||代表计算绝对值。
6.根据权利要求5所述的方法，其特征在于，步骤S4中，通过对抗训练来学习域不变特征，其具体步骤如下：
S41、冻结特征提取器，通过公式(15)来更新两个分类器，
S42、冻结两个分类器，通过通过公式(16)来更新特征提取器，
重复S41和S42进行对抗学习。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1～6中任一项所述的基于双分类器加权对抗的无监督部分域适应方法中的步骤。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1～6中任一项所述的基于双分类器加权对抗的无监督部分域适应方法中的步骤。
CN202310425555.XA 2023-04-20 2023-04-20 基于双分类器加权对抗的无监督部分域适应方法 Pending CN116484218A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310425555.XA CN116484218A (zh) 2023-04-20 2023-04-20 基于双分类器加权对抗的无监督部分域适应方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310425555.XA CN116484218A (zh) 2023-04-20 2023-04-20 基于双分类器加权对抗的无监督部分域适应方法

Publications (1)

Publication Number Publication Date
CN116484218A true CN116484218A (zh) 2023-07-25

Family

ID=87214953

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310425555.XA Pending CN116484218A (zh) 2023-04-20 2023-04-20 基于双分类器加权对抗的无监督部分域适应方法

Country Status (1)

Country Link
CN (1) CN116484218A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456309A (zh) * 2023-12-20 2024-01-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于中间域引导与度量学习约束的跨域目标识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117456309A (zh) * 2023-12-20 2024-01-26 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于中间域引导与度量学习约束的跨域目标识别方法
CN117456309B (zh) * 2023-12-20 2024-03-15 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于中间域引导与度量学习约束的跨域目标识别方法

Similar Documents

Publication Publication Date Title
Zhai et al. Multiple expert brainstorming for domain adaptive person re-identification
US20220076074A1 (en) Multi-source domain adaptation with mutual learning
Elhamifar et al. A convex optimization framework for active learning
Ge et al. Graph cuts for supervised binary coding
CN112861695B (zh) 行人身份再识别方法、装置、电子设备及存储介质
Tung et al. Collageparsing: Nonparametric scene parsing by adaptive overlapping windows
Choi et al. Face video retrieval based on the deep CNN with RBF loss
CN116910571B (zh) 一种基于原型对比学习的开集域适应方法及系统
CN116484218A (zh) 基于双分类器加权对抗的无监督部分域适应方法
CN117493674A (zh) 基于标签增强的监督多模态哈希检索方法及系统
Nguyen et al. Adaptive nonparametric image parsing
Pan et al. Ml-bpm: Multi-teacher learning with bidirectional photometric mixing for open compound domain adaptation in semantic segmentation
Du et al. Do we really need temporal convolutions in action segmentation?
Li et al. Towards generalized and incremental few-shot object detection
Aljundi et al. Identifying wrongly predicted samples: A method for active learning
CN116561591B (zh) 科技文献语义特征提取模型训练方法、特征提取方法及装置
CN113781404A (zh) 基于自监督预训练的道路病害检测方法和系统
CN117556152A (zh) 基于显著信息和标签相关性挖掘的视频社交关系识别方法、系统
CN114792114B (zh) 一种基于黑盒多源域通用场景下的无监督域适应方法
Devgan et al. Semi‐Supervised Learning
CN115797642A (zh) 基于一致性正则化与半监督领域自适应图像语义分割算法
Patel et al. Hyperspectral image classification using semi-supervised learning with label propagation
Wang et al. Adaptive face recognition using adversarial information network
CN114492653A (zh) 分类器的训练方法、装置和电子设备
Li et al. Bilateral-Head Region-Based Convolutional Neural Networks: a Unified Approach for Incremental Few-Shot Object Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination