FDA：用于语义分割的傅里叶域自适应。 这是2020年CVPR发布的论文的Pytorch实施。 使用傅里叶变换，可以通过样式转换轻松调整域。 FDA不需要深入的网络来进行样式转换，也不需要任何对抗培训。下面是建议的傅里叶域自适应方法的示意图： 步骤1：将FFT应用于源图像和目标图像。 步骤2：将源幅度的低频部分替换为目标幅度的低频部分。 步骤3：将逆FFT应用于修改后的源频谱。 用法 FDA演示 python3 FDA_demo.py FDA用于域适应的一个例子。 （来源：GTA5，目标：CityScapes，β为0.01） 使用FDA的Sim2Real Adaptation（单个beta） python3 train.py --snapshot-dir ='.. / checkpoints / FDA'--init-weights ='.. / checkpoints / FDA /

用于学习Partitioned Block Frequency domain adaptive filter (PBFDAF)实现长延时回声消除的一种方法。细细品味文中的算法实现公式，能快速明白PBFDAF的实现过程。

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。

在PyTorch上进行深度转移学习 这是用于深度迁移学习的PyTorch库。 我们将代码分为两个方面：单源无监督域自适应（SUDA）和多源无监督域自适应（MUDA）。 SUDA方法很多，但是我发现有一些深度学习的MUDA方法。 此外，具有深度学习的MUDA可能是领域适应性更广阔的方向。 在这里，我实现了一些深度传输方法，如下所示： UDA DDC：针对领域不变性的深度领域混淆最大化 DAN：通过深度适应网络学习可转让特性（ICML2015） Deep Coral：用于深域适应的Deep CORAL相关对齐（ECCV2016） Revgrad：通过反向传播进行无监督域自适应（ICML2015） MRAN：用于跨域图像分类的多表示自适应网络（Neural Network 2019） DSAN：用于图像分类的深度子域适配网络（神经网络和学习系统2020的IEEE交易） 慕达对齐特

【图像加密】基于DCT(离散余弦变换)与SVD(奇异值分解)域自适应嵌入水印matlab源码.zip

本综述的主要目的是提供一个特定的、可以说是最流行的迁移学习子领域——领域自适应——最新理论结果的概述。

达斯尔 Dassl是一个工具箱，旨在研究领域适应和半监督学习（因此而命名为Dassl ）。它具有模块化设计和统一的界面，可以快速进行原型设计和新DA / SSL方法的试验。使用Dassl，只需几行代码即可实现一种新方法。 您可以将Dassl用作库进行以下研究： 领域适应 域泛化 半监督学习 什么是新的 [2021年3月]我们刚刚在上发布了关于域泛化的调查，该调查总结了该主题的十年发展情况，涵盖了历史，相关问题，数据集，方法论，潜力方向等等。 [2021年1月]我们最近的工作 （混合不同域样本的实例级特征统计信息以改善域泛化）已被ICLR'21接受。该代码已在中发布，其中跨域图像分类部分基于Dassl.pytorch。 [2020年5月] v0.1.3 ：添加了Digit-Single数据集，用于对单源DG方法进行基准测试。相应的CNN模型为 ，数据集配置文件为 。参见了解如何评估您的方

提出了一种基于小波系数局部统计模型的图像去噪方法。该方法利用小波子带的方向性特点以及小波系数尺度内的相关性，将小波系数的概率分布建模为一种自适应高斯混合模型，在贝叶斯框架中采用这种概率模型可以得到一种具有空间自适应性的贝叶斯萎缩函数。利用这种萎缩函数可以实现对小波系数的修正。实验结果表明，利用该方法进行图像去噪能够取得良好的效果，同时可以有效地保留图像的细节。

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。