"无监督域自适应的切片Wasserstein差异(SWD)：特征分布对齐的几何指导和跨领域的学习方式" 在本文中，我们将介绍一种新的无监督域自适应方法，称为切片Wasserstein差异（SWD），旨在解决域之间的特征分布对齐问题。该方法基于Wasserstein度量和特定于任务的决策边界，提供了一个几何上有意义的指导，以检测远离源的支持的目标样本，并使有效的分布对齐在一个端到端的可训练的方式。 在无监督域自适应中，一个主要挑战是如何跨域学习和泛化。深度学习模型尽管具有出色的学习能力和改进的泛化能力，但是在不同域中收集的数据之间的关系的转移仍然是一个挑战。域转移可以以多种形式存在，包括协变量移位、先验概率移位和概念移位。 我们提出的方法旨在捕捉特定任务分类器的输出之间的差异的自然概念，提供了一个几何上有意义的指导，以检测远离源的支持的目标样本，并使有效的分布对齐在一个端到端的可训练的方式。 我们的方法基于Wasserstein度量，通过最小化在特定任务分类器之间移动边缘分布，来实现域之间的特征分布对齐。我们还使用切片Wasserstein差异（SWD）来实现有效的分布对齐，并且可以容易地应用于任何局部自适应问题，例如图像分类、语义分割和对象检测。 相比于之前的方法，我们的方法不需要通过启发式假设在特征、输入或输出空间中对齐流形，而是直接对需要整形的目标数据区域进行整形。我们的方法也可以应用于其他领域，例如图像检索、基于颜色的风格转移和图像扭曲。 在实验验证中，我们的方法在数字和符号识别、图像分类、语义分割、目标检测等方面都取得了良好的结果，证明了该方法的有效性和通用性。 我们的方法为解决域之间的特征分布对齐问题提供了一种新的解决方案，具有良好的泛化能力和可扩展性。 在深度卷积神经网络中，我们可以使用切片Wasserstein差异（SWD）来实现有效的分布对齐，并且可以容易地应用于任何局部自适应问题，例如图像分类、语义分割和对象检测。 在无监督域自适应中，我们可以使用Wasserstein度量来捕捉特定任务分类器的输出之间的差异的自然概念，提供了一个几何上有意义的指导，以检测远离源的支持的目标样本，并使有效的分布对齐在一个端到端的可训练的方式。 在实验验证中，我们的方法在数字和符号识别、图像分类、语义分割、目标检测等方面都取得了良好的结果，证明了该方法的有效性和通用性。 我们的方法可以应用于其他领域，例如图像检索、基于颜色的风格转移和图像扭曲。我们的方法为解决域之间的特征分布对齐问题提供了一种新的解决方案，具有良好的泛化能力和可扩展性。

乌日达 具有统一联合分布对齐的无监督域自适应 先决条件： Python3 PyTorch == 0.4.1（具有合适的CUDA和CuDNN版本） 火炬视觉== 0.2.0 脾气暴躁的 tqdm 资料集： 您需要在“ ./data”中的每个“ .txt”中修改图像的路径。 训练： 跑步 ： python train.py --config ../config/dann.yml --dataset Office-31 --src_address ../data/amazon.txt --tgt_address ../data/dslr.txt --src_test_address ../data/amazon.txt 引文： 如果您使用此代码进行研究，请考虑引用： 接触 如果您对我们的代码有任何，请随时联系 。

HierMUD: Hierarchical Multi-task Unsupervised Domain Adaptation between Bridges for Drive-by Damage Diagnosis 通过驾驶车辆的振动响应监测桥梁，通过允许每辆车检查多座桥梁，并消除在每座桥梁上安装和维护传感器的需要，实现高效、低成本的桥梁维护。然而，许多现有的驱动式监控方法都基于有监督的学习模型，需要来自每座桥梁的大量标记数据。获取这些标记数据即使不是不可能的，也是昂贵且耗时的。此外，直接将在一座桥梁上训练的有监督学习模型应用于新桥梁，会由于不同桥梁的数据分布之间的变化而导致精度较低。此外，当我们有多个任务（例如，损伤检测、定位和量化）时，分布转移比只有一个任务更具挑战性，因为不同的任务有不同的分布转移和不同的任务难度。 为此，我们引入了HierMUD，这是第一个分层多任务无监督领域自适应框架，它将从一座桥梁学习到的损伤诊断模型转移到一座新桥梁，而无需在任何任务中使用新桥梁的任何标签。具体来说，我们的框架以对抗的方式学习分层神经网络模型，以提取对多个诊断任务有用且跨多个桥梁不变的

针对机器学习中训练样本和测试样本概率分布不一致的问题，提出了一种基于dropout正则化的半监督域自适应方法来实现将神经网络的特征表示从标签丰富的源域转移到无标签的目标域。此方法从半监督学习的角度出发，在源域数据中添加少量带标签的目标域数据，使得神经网络在学习到源域数据特征分布的同时也能学习到目标域数据的特征分布。由于有了先验知识的指导，即使没有丰富的标签信息，神经网络依然可以很好地拟合目标域数据。实验结果表明，此算法在几种典型的数字数据集SVHN、MNIST和USPS的域自适应任务上的性能优于现有的其他算法，并且在涵盖广泛自然类别的真实数据集CIFAR-10和STL-10的域自适应任务上有较好的鲁棒性。

链条机 实现 环境 Ubuntu 14.04 LTS 带有Anaconda3 4.2.0的Python 3.5.2 外部图书馆 图书馆 版本 链条机 2.0.0 杯状的 1.0.0 麻木 1.14 数据集 资料来源：MNIST 目标：MNIST-M 数据集链接： MNIST-M原始链接（项目挂钩）： 实施结果 验证数据：目标数据（无训练数据）。 训练数据（源/目标） 精度（纸 精度（Impl Mnist / Mnist-M 81.49％ 80.81％ 准确性 失利 train/loss/LP ：标签预测器损失train/loss/DC ：域分类器损失 用法 打开train.py并更改data_root路径。 运行python train.py 。 从图像文件所在的目录中获取类标签，并且目录名称必须是类ID。 因此，必须安排图像文件并为每个类重命名目录。

无监督域自适应 评论在无监督的领域适应领域的论文。super도메인으새운운모든모든모든법들을법들을법들을법들을의미 1.领域不变特征学习 源域和目标域的功能提供了源域和目标域的功能。 1-1。 最大平均差异 源域目标域样本均值均值면다의미한다。다。다。다。

版本 oid sha256：140593c4df24d2a55a892a2997f137514eebbddfc3a1642c25ecc2ee1d7cd3e9大小5514