Deep coral: Correlation alignment for deep domain adaptation. ECCV 2016. Domain Adaptation

2023-12-03 08:40

本文主要是介绍Deep coral: Correlation alignment for deep domain adaptation. ECCV 2016. Domain Adaptation,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

** Sun, Baochen, and Kate Saenko. “Deep coral: Correlation alignment for deep domain adaptation.” ECCV. Springer, Cham, 2016. **

结构如图:

在这里插入图片描述

两个损失函数:

在这里插入图片描述

其中 L C L A S S \mathcal{L}_{CLASS} LCLASS为分类损失, L C O R A L \mathcal{L}_{CORAL} LCORAL:

在这里插入图片描述

C S C_S CS C T C_T CT为样本协方差 (二阶统计量),反映了feature map上各位置的相关性。 其中D_S矩阵的每一行代表代表一个feature map。 C S C_S CS C T C_T CT的行数= C S C_S CS C T C_T CT的列数=feature map维度。

在这里插入图片描述

CORAL Loss系数为0时,训练过程中CORAL distance测量值变化情况:
在这里插入图片描述
上图证明了CORAL Loss的有效性。
在这里插入图片描述

在这里插入图片描述

原文表明:没有CORAL Loss直接fine-tuning容易对source domain的数据过拟合。

这里复习下样本方差为无偏估计量:

S 2 = ∑ ( x i − x ˉ ) 2 n S^2= \frac{\sum (x_i - \bar{x} )^2 }{n} S2=n(xixˉ)2

证明:
E ( s 2 ) = 1 n − 1 E [ ∑ ( x i − x ˉ ) 2 ] = ∑ E ( x i 2 − 2 x ˉ x i + x ˉ 2 ) n − 1 = n E 2 ( x ) − 2 n E ( x ˉ 2 ) + n E ( x ˉ 2 ) n − 1 = n E 2 ( x ) − n E ( x ˉ 2 ) n − 1 = n E 2 ( x ) − n D ( x ˉ ) − n E 2 ( x ˉ ) n − 1 = n E 2 ( x ) − n D ( x ˉ ) − n E 2 ( x ) n − 1 = n E 2 ( x ) − n E 2 ( x ) − n D ( x ˉ ) n − 1 = n D ( x ) − n D ( x ) n n − 1 = D ( x ) \begin{aligned} E(s^2)&= \frac{1}{n-1} E[ \sum(x_i -\bar{x})^2 ] \\ &=\frac{\sum E(x_i^2-2\bar{x}x_i +\bar{x}^2 ) }{n-1} \\ &=\frac{nE^2(x)-2nE(\bar{x}^2)+nE(\bar{x}^2)}{n-1} \\ &=\frac{nE^2(x)-nE(\bar{x}^2)}{n-1} \\ &=\frac{nE^2(x)-nD(\bar{x})-nE^2(\bar{x}) }{n-1} \\ &=\frac{nE^2(x)-nD(\bar{x})-nE^2(x) }{n-1} \\ &=\frac{nE^2(x)-nE^2(x) -nD(\bar{x})}{n-1} \\ &= \frac{nD(x)-\frac{nD(x)}{n}}{n-1}\\ &=D(x) \end{aligned} E(s2)=n11E[(xixˉ)2]=n1E(xi22xˉxi+xˉ2)=n1nE2(x)2nE(xˉ2)+nE(xˉ2)=n1nE2(x)nE(xˉ2)=n1nE2(x)nD(xˉ)nE2(xˉ)=n1nE2(x)nD(xˉ)nE2(x)=n1nE2(x)nE2(x)nD(xˉ)=n1nD(x)nnD(x)=D(x)

注意:
E ( x ) ≠ x ˉ ∑ ( − 2 E ( x i ) x ˉ ) ≠ − 2 n E ( x ) E ( x ) = E ( x ˉ ) D ( x ˉ ) = E ( x ˉ 2 ) − E 2 ( x ˉ ) \begin{aligned} E(x) &\neq \bar{x} \\ \sum (-2E(x_i) &\bar{x}) \neq -2nE(x) \\ E(x) &= E(\bar{x}) \\ D(\bar{x})&=E(\bar{x}^2)-E^2(\bar{x}) \end{aligned} E(x)(2E(xi)E(x)D(xˉ)̸=xˉxˉ)̸=2nE(x)=E(xˉ)=E(xˉ2)E2(xˉ)

类似于 S 2 = ∑ ( x i − x ˉ ) 2 n S^2= \frac{\sum (x_i - \bar{x} )^2 }{n} S2=n(xixˉ)2

样本协方差 = ∑ ( x i − x ˉ ) ( y i − y ˉ ) n − 1 = ∑ x i y i − n x ˉ y ˉ n − 1 = \frac{\sum (x_i-\bar{x}) (y_i-\bar{y}) }{n-1}= \frac{ \sum x_iy_i -n \bar{x}\bar{y} }{n-1} =n1(xixˉ)(yiyˉ)=n1xiyinxˉyˉ

这篇关于Deep coral: Correlation alignment for deep domain adaptation. ECCV 2016. Domain Adaptation的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/448804

相关文章

Deep Ocr

1.圈出内容,文本那里要有内容.然后你保存,并'导出数据集'. 2.找出deep_ocr_recognition_training_workflow.hdev 文件.修改“DatasetFilename := 'Test.hdict'” 310行 write_deep_ocr (DeepOcrHandle, BestModelDeepOCRFilename) 3.推理test.hdev

实践课堂|2016成都站|报名开始啦!

Hi,QingCloud 的小伙伴们,欢迎参加史上最有营养的云知识讲堂。 QingCloud 实践课堂系列开始于 2014 年末,在深圳、上海、广州、成都、杭州、北京六个城市,QingCloud 的研发工程师们同近千名 CIO 、架构师、开发者、运维工程师……分享了 QingCloud 的技术理念、功能特性和使用技巧,还有来自人民网、融云、泰捷视频、杏树林、友好速搭、百姓网、冰点、顺丰速运、洋葱

VSCode中latex文件(Misplaced alignment tab character .LaTeX

Misplaced alignment tab character &.LaTeX 先给出参考文章1 Misplaced alignment tab character &.LaTeX 把bib文件中的 &改为 and 。删除原有的bbl文件、重新运行 选择这个运行 这个错误在overleaf上并没有遇到、在vscode上遇到了 方法二就是把 &改为 \& ,记得删除

Anchor Alignment Metric来优化目标检测的标签分配和损失函数。

文章目录 背景假设情况任务和目标TaskAligned方法的应用1. **计算Anchor Alignment Metric**2. **动态样本分配**3. **调整损失函数** 示例总结 背景 假设我们在进行目标检测任务,并且使用了YOLOv8模型。我们希望通过TaskAligned方法来优化Anchor与目标的匹配程度,从而提升检测效果。 假设情况 图像: 一张包含

GCDAsyncUdpSocket 使用时出现错误 Domain=NSPOSIXErrorDomain Code=13 Permission denied

完整的错误描述为: Domain=NSPOSIXErrorDomain Code=13 "Permission denied" UserInfo={NSLocalizedDescription=Permission denied, NSLocalizedFailureReason=Error in send() function.} 原始代码是这样的: clientBroadcast

R-Adapter:零样本模型微调新突破,提升鲁棒性与泛化能力 | ECCV 2024

大规模图像-文本预训练模型实现了零样本分类,并在不同数据分布下提供了一致的准确性。然而,这些模型在下游任务中通常需要微调优化,这会降低对于超出分布范围的数据的泛化能力,并需要大量的计算资源。论文提出新颖的Robust Adapter(R-Adapter),可以在微调零样本模型用于下游任务的同时解决这两个问题。该方法将轻量级模块集成到预训练模型中,并采用新颖的自我集成技术以提高超出分布范围的鲁棒性

最佳MyBatis 根据表结构自动生成代码, domain, dao, mapper 文件

摘要: 接触mybatis时间不是很长, 但是感觉也还容易上手, 好处发现也很多, 觉得还挺方便, 这段时间又学习一下MyBatis自动生成代码. 觉得在效率上更好了, 所以分享一下自动生成代码的步骤. 首先, 看看我的项目的包结构, 用的IDEA13.1,gradle包管理工具, ...其他的就没什么可说的; 今天, 主要讲 generator 里面的东西; mysql的jar包是

Introduction to Deep Learning with PyTorch

1、Introduction to PyTorch, a Deep Learning Library 1.1、Importing PyTorch and related packages import torch# supports:## image data with torchvision## audio data with torchaudio## text data with t

Face Recognition简记1-A Performance Comparison of Loss Functions for Deep Face Recognition

创新点 1.各种loss的比较 总结 很久没见到这么专业的比较了,好高兴。 好像印证了一句话,没有免费的午餐。。。。 ArcFace 和 Angular Margin Softmax是性能比较突出的

【计算机视觉前沿研究 热点 顶会】ECCV 2024中扩散模型有关的论文

神经辐射场修复的驯服潜在扩散模型 神经辐射场(NERF)是一种从多视角图像进行三维重建的表示法。尽管最近的一些工作表明,在编辑具有扩散先验的重建的 NERF 方面取得了初步成功,但他们仍然在努力在完全未覆盖的区域中合成合理的几何图形。一个主要原因是来自扩散模型的合成内容的高度多样性阻碍了辐射场收敛到清晰和确定的几何形状。此外,在实际数据上应用潜在扩散模型通常会产生与图像条件不一致的纹理漂移,这是