组会介绍:领域自适应

一 Domain Adaptation

  • 计算机视觉中的一个重要问题
  • CVPR2019的1294个收录的论文中,以domain adaptation为关键字有26篇,以transfer为关键字有39篇

AMC S2E15 Slide:CLAN

论文题目:CLAN:Category-level Adversaries for Semantics Consistent Domain Adaptation

论文作者:Yawei Luo, Liang Zheng, Tao Guan, Junqing Yu, Yi Yang

会议期刊:CVPR2019(Oral)

Almost Unsupervised Text to Speech and Automatic Speech Recognition



AI精准模仿你的声音

PyTorch官方Seq-to-Seq Network Attention 机器翻译指导

没任何技术含量,按照官方tutorial写的代码。地址:github
文章就只写了这个官方教程中,关于部分网络结构里面的一些维度问题

Learning Smooth Representation for Unsupervised Domain Adaptation

文章提出了一个local smooth discrepancy,局部平滑差异。实验证明这是领域适应上一个有效的 评价体系

文本分类小作业

本文是春季课程“自然语言处理与应用”文本分类作业的简单记录,关于文本分类方面上,知乎上很多很好的文章:知乎“看山杯”夺冠记用深度学习(CNN RNN Attention)解决大规模文本分类问题,对写这个作业帮助也很大。

多源自适应-深度鸡尾酒网络代码

置信度

论文中,置信度计算公式:
$$
\sum_{c \in \mathcal{C}_{s_{j}}} \frac{\mathcal{S}_{c f}\left(x^{t} ; F, D_{s_{j}}\right)}{\sum_{c \in \mathcal{C}_{s_{k}}} \mathcal{S}_{c f}\left(x^{t} ; F, D_{s_{k}}\right)} C_{s_{j}}\left(c | F\left(x^{t}\right)\right)
$$
其中:
$$C_{s_{j}}\left(c | F\left(x^{t}\right)\right)$$
指的是一个样本的softmax值,这里的计算从下面的程序中得到

深度鸡尾酒网络



Problem Setup

  • Category Shift
    N个源域
    $$\{\left(X_{s_{j}},Y_{s_{j}}\right)\}_{j=1}^{N}$$

Hello World

Welcome to Hexo! This is your very first post. Check documentation for more info. If you get any problems when using Hexo, you can find the answer in troubleshooting or you can ask me on GitHub.

Your browser is out-of-date!

Update your browser to view this website correctly. Update my browser now

×