deep transfer learning下载 - deep transfer learning源代码下载

deep transfer learning

Python

1.0.0

下载

pytorch的深层转移学习

这是一个用于深度转移学习的Pytorch库。我们将代码分为两个方面：单源无监督域的适应（SUDA）和多源无监督域的适应性（MUDA）。有许多suda方法，但是我发现有几种具有深度学习的Muda方法。此外，具有深度学习的Muda可能是域适应性的更有希望的方向。

在这里，我实施了一些深层转移方法，如下所示：

UDA
- DDC：深区混乱最大化域不变性
- DAN：通过深层适应网络学习可转移的功能（ICML2015）
- 深珊瑚：深区适应的深珊瑚相关对准（ECCV2016）
- Revgrad：通过反向传播的无监督域改编（ICML2015）
- MRAN：用于跨域图像分类的多代表适应网络（Neural Network 2019）
- DSAN：图像分类的深层域适应网络（神经网络和学习系统上的IEEE交易2020）
马达
- 从多个来源（AAAI2019）对齐域特异性分布和分类器进行分类器（AAAI2019）
应用
- 跨域欺诈检测：用跨域欺诈检测的可解释网络对用户的行为序列进行建模（www2020）
- 学习通过元混合专家和批评家的推荐和广告来扩展受众（KDD2021）
民意调查
- 一项有关转移学习的综合调查（Proc。IEEE）

Office31（UDA）的结果

方法	A-W。	d -w	W- d	A- d	D- a	W- a	平均的
重新连接	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
担	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
担*	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

请注意，没有“*”的结果来自纸张。 “*”的结果由我自己运行。

Office31（Muda）的结果

标准	方法	a，w -d	a，d -w	D，W- a	平均的
	重新连接	99.3	96.7	62.5	86.2
	担	99.5	96.8	66.7	87.7
单打	Dcoral	99.7	98.0	65.3	87.7
	Revgrad	99.1	96.9	68.2	88.1

	担	99.6	97.8	67.6	88.3
源组合	Dcoral	99.3	98.0	67.1	88.1
	Revgrad	99.7	98.1	67.6	88.5

多源	MFSAN	99.5	98.5	72.7	90.2

Officehome（Muda）的结果

标准	方法	C，p，r- a	a，p，r -c	a，c，r -p	a，c，p -r	平均的
	重新连接	65.3	49.6	79.7	75.4	67.5
	担	64.1	50.8	78.2	75.0	67.0
单打	Dcoral	68.2	56.5	80.3	75.9	70.2
	Revgrad	67.9	55.9	80.4	75.8	70.0

	担	68.5	59.4	79.0	82.5	72.4
源组合	Dcoral	68.1	58.6	79.5	82.7	72.2
	Revgrad	68.4	59.1	79.5	82.7	72.4

多源	MFSAN	72.1	62.0	80.3	81.8	74.1

请注意，（1）源组合：将所有源域组合到传统的单源与目标设置中。（2）单个最佳：在多个源域中，我们报告了最佳的单源传输结果。（3）多源：Muda方法的结果。

笔记

如果您发现自己的准确性为100％，则问题可能是数据集文件夹。请注意，数据提供商工作所需的文件夹结构是：

 -dataset
    -amazon
    -webcam
    -dslr

接触

如果您对此库有任何问题，请创建一个问题或向我们发送电子邮件：

参考

如果您使用此存储库，请引用以下论文：

 @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}
}

展开

附加信息