deep transfer learningダウンロード - deep transfer learningソースコードのダウンロード

deep transfer learning

パイソン

1.0.0

ダウンロード

Pytorchの深い転送学習

これは、深い転送学習のためのPytorchライブラリです。コードを2つの側面に分割します：シングルソースなしの監視ドメイン適応（SUDA）とマルチソースなし監視ドメイン適応（MUDA）。多くのSUDAメソッドがありますが、深い学習を備えたいくつかのMUDAメソッドがあることがわかります。それに加えて、深い学習を備えたMUDAは、ドメイン適応のためのより有望な方向になるかもしれません。

ここでは、次のようにいくつかの深い転送方法を実装しました。

uda
- DDC：ドメイン不変性の最大化の深いドメインの混乱
- ダン：ディープ適応ネットワークを備えた移転可能な機能の学習（ICML2015）
- ディープサンゴ：ディープドメイン適応のための深いサンゴ相関アライメント（ECCV2016）
- Revgrad：バックプロパゲーションによる監視されていないドメイン適応（ICML2015）
- MRAN：クロスドメイン画像分類のためのマルチレプレンション適応ネットワーク（Neural Network 2019）
- DSAN：画像分類のためのディープサブドメイン適応ネットワーク（ニューラルネットワークおよび学習システムに関するIEEEトランザクション2020）
泥
- 複数のソースからのクロスドメイン分類のためのドメイン固有の分布と分類器を調整する（AAAI2019）
応用
- クロスドメイン詐欺検出：クロスドメイン詐欺検出のための階層的に説明可能なネットワークを使用したユーザーの動作シーケンスのモデリング（www2020）
- メタハイブリッドの専門家と批評家を介して視聴者を拡大することを学ぶことで推薦と広告（KDD2021）
調査
- 転送学習に関する包括的な調査（Proc。IEEE）

Office31（UDA）の結果

方法	A -W	d -w	W -d	A -D	d -a	w -a	平均
resnet	68.4±0.5	96.7±0.5	99.3±0.1	68.9±0.2	62.5±0.3	60.7±0.3	76.1
DDC	75.8±0.2	95.0±0.2	98.2±0.1	77.5±0.3	67.4±0.4	64.0±0.5	79.7
DDC*	78.3±0.4	97.1±0.1	100.0±0.0	81.7±0.9	65.2±0.6	65.1±0.4	81.2
ダン	83.8±0.4	96.8±0.2	99.5±0.1	78.4±0.2	66.7±0.3	62.7±0.2	81.3
ダン*	82.6±0.7	97.7±0.1	100.0±0.0	83.1±0.9	66.8±0.3	66.6±0.4	82.8
dcoral*	79.0±0.5	98.0±0.2	100.0±0.0	82.7±0.1	65.3±0.3	64.5±0.3	81.6
Revgrad	82.0±0.4	96.9±0.2	99.1±0.1	79.7±0.4	68.2±0.4	67.4±0.5	82.2
Revgrad*	82.6±0.9	97.8±0.2	100.0±0.0	83.3±0.9	66.8±0.1	66.1±0.5	82.8
Mran	91.4±0.1	96.9±0.3	99.8±0.2	86.4±0.6	68.3±0.5	70.9±0.6	85.6
dsan	93.6±0.2	98.4±0.1	100.0±0.0	90.2±0.7	73.5±0.5	74.8±0.4	88.4

「*」のない結果は紙から来ていることに注意してください。「*」の結果は、コードで自分で実行されます。

Office31（MUDA）の結果

基準	方法	a、w -d	A、d -w	d、w -a	平均
	resnet	99.3	96.7	62.5	86.2
	ダン	99.5	96.8	66.7	87.7
シングルベスト	dcoral	99.7	98.0	65.3	87.7
	Revgrad	99.1	96.9	68.2	88.1

	ダン	99.6	97.8	67.6	88.3
ソースコンバイン	dcoral	99.3	98.0	67.1	88.1
	Revgrad	99.7	98.1	67.6	88.5

マルチソース	mfsan	99.5	98.5	72.7	90.2

OfficeHome（MUDA）の結果

基準	方法	C、P、R -A	A、P、R -C	A、C、R -p	A、C、P -R	平均
	resnet	65.3	49.6	79.7	75.4	67.5
	ダン	64.1	50.8	78.2	75.0	67.0
シングルベスト	dcoral	68.2	56.5	80.3	75.9	70.2
	Revgrad	67.9	55.9	80.4	75.8	70.0

	ダン	68.5	59.4	79.0	82.5	72.4
ソースコンバイン	dcoral	68.1	58.6	79.5	82.7	72.2
	Revgrad	68.4	59.1	79.5	82.7	72.4

マルチソース	mfsan	72.1	62.0	80.3	81.8	74.1

（1）ソースコンバイン：すべてのソースドメインは、従来のシングルソースとターゲット設定に結合されることに注意してください。（2）シングルベスト：複数のソースドメインの中で、最高の単一ソース転送結果を報告します。（3）マルチソース：MUDAメソッドの結果。

注記

精度が100％であることがわかった場合、問題はデータセットフォルダーである可能性があります。データプロバイダーが動作するために必要なフォルダー構造は次のとおりです。

 -dataset
    -amazon
    -webcam
    -dslr

接触

このライブラリに問題がある場合は、問題を作成するか、次のメールを送信してください。

参照

このリポジトリを使用する場合は、次の論文を引用してください。

 @inproceedings{zhu2019aligning,
  title={Aligning domain-specific distribution and classifier for cross-domain classification from multiple sources},
  author={Zhu, Yongchun and Zhuang, Fuzhen and Wang, Deqing},
  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},
  volume={33},
  pages={5989--5996},
  year={2019}
}

 @article{zhu2020deep,
  title={Deep subdomain adaptation network for image classification},
  author={Zhu, Yongchun and Zhuang, Fuzhen and Wang, Jindong and Ke, Guolin and Chen, Jingwu and Bian, Jiang and Xiong, Hui and He, Qing},
  journal={IEEE transactions on neural networks and learning systems},
  volume={32},
  number={4},
  pages={1713--1722},
  year={2020},
  publisher={IEEE}
}

 @article{zhu2019multi,
  title={Multi-representation adaptation network for cross-domain image classification},
  author={Zhu, Yongchun and Zhuang, Fuzhen and Wang, Jindong and Chen, Jingwu and Shi, Zhiping and Wu, Wenjuan and He, Qing},
  journal={Neural Networks},
  volume={119},
  pages={214--221},
  year={2019},
  publisher={Elsevier}
}

拡大する

追加情報