2021-域自适应-医学图像分析 综述译文

深珊瑚 用于域自适应的DeepCoral网络的实现。 DeepCoral网络用于无监督域自适应，该域自适应将源和目标分布的二阶统计信息与非线性变换对齐。

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

深度域适应中常见的数据集之一，image_CLEF，原始图像数据 有b、c、i、p四个子数据域，每个子数据域有12类。

很棒的开放集识别列表 与开放集识别，分发外，开放​​集域适应和开放世界识别相关的精选论文和资源清单 注意： 此列表并不详尽。 为了公平起见，表使用字母顺序。 内容 异常检测 开放集域适应 开放世界认可 执照 贡献 讲解 教程与调查 迈向开放集识别，Scheirer WJ，de Rezende Rocha A，Sapkota A等。 （ PAMI，2013年）。 迈向开放世界认可，Bental A，Boult T.（ CVPR，2015年）。 终身机器学习，陈志远和刘冰。 （ 2018 ）。 开放集识别的最新进展：一项调查，耿C，黄胜，陈胜。（ arXiv，2018 ）。 公开集识别的最新进展：调查v2 ，耿传兴，黄胜军，陈松灿。 （ arXiv，2019 ）。 文件 开放集识别 基于传统机器学习方法 2019年 用于开放集识别的专用支持向量机，Pedro Ribe

马里奥matlab代码域对抗神经网络（浅层实现） 此python代码已用于进行以下JMLR论文的第5.1节中介绍的实验。 Yaroslav Ganin，Evgeniya Ustinova，Hana Ajakan，Pascal Germain，Hugo Larochelle，FrançoisLaviolette，Mario Marchand和Victor Lempitsky。 神经网络领域专业训练。 机器学习研究杂志，2016。 内容 DANN.py包含学习算法。 fit()函数是本文算法1的非常简单的实现。 experiments_amazon.py包含在Amazon情感分析数据集上执行的示例（文件夹data包含数据集文件的副本）。 计算目标测试风险（请参见论文表1）和Proxy-A-Distance （请参见论文图3）。 experiments_moons.py包含用于生成本文图2的代码（关于相互缠绕的月亮玩具问题的实验）。 mSDA.py包含用于生成mSDA表示的函数（这些是Chen et al。（2012）Matlab代码的文字翻译）

Deep Subdomain Adaptation Network for Image Classification(用于图像分类的深度子域自适应网络)王晋东2020年最新文章全文翻译。 对于没有标记数据的目标任务，域适应可以将知识从不同的源域迁移过来。以往的深度域适应方法主要是学习全局的域迁移，即对齐源域和目标域的全局分布，而不考虑同一类别不同域中的两个子域之间的关系，在没有捕捉到细粒度信息的情况下导致迁移学习效果不佳。近年来，越来越多的研究者开始关注子域自适应问题，重点是准确地对齐相关子域的分布。然而，它们大多包含多个损失函数且收敛缓慢的对抗性方法。在此基础上，我们提出了一种深度子域自适应

该代码是针对于领域自适应问题，即迁移学习的一个分支，提出的一种基于联合领域分布匹配的算法，并且把LDA中最小化类内散度和最大化类间散度结合进去了，该算法能够讲一个领域中训练的分类器直接应用到另外一个领域，通过将二者投影到一个公共子空间。迁移学习是一个目前比较热门的问题，很好地解决了小样本问题，和避免了反复标注数据集的巨大损耗。