deep transfer learning
1.0.0
這是一個用於深度轉移學習的Pytorch庫。我們將代碼分為兩個方面：單源無監督域的適應（SUDA）和多源無監督域的適應性（MUDA）。有許多suda方法，但是我發現有幾種具有深度學習的Muda方法。此外，具有深度學習的Muda可能是域適應性的更有希望的方向。
在這裡，我實施了一些深層轉移方法，如下所示：
| 方法 | A-W。 | d -w | W- d | A- d | D- a | W- a | 平均的 |
|---|---|---|---|---|---|---|---|
| 重新連接 | 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 |
| 擔 | 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 |
| 擔* | 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 |
請注意，沒有“*”的結果來自紙張。 “*”的結果由我自己運行。
| 標準 | 方法 | a，w -d | a，d -w | D，W- a | 平均的 |
|---|---|---|---|---|---|
| 重新連接 | 99.3 | 96.7 | 62.5 | 86.2 | |
| 擔 | 99.5 | 96.8 | 66.7 | 87.7 | |
| 單打 | Dcoral | 99.7 | 98.0 | 65.3 | 87.7 |
| Revgrad | 99.1 | 96.9 | 68.2 | 88.1 | |
| 擔 | 99.6 | 97.8 | 67.6 | 88.3 | |
| 源組合 | 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 |
| 標準 | 方法 | C，p，r- a | a，p，r -c | a，c，r -p | a，c，p -r | 平均的 |
|---|---|---|---|---|---|---|
| 重新連接 | 65.3 | 49.6 | 79.7 | 75.4 | 67.5 | |
| 擔 | 64.1 | 50.8 | 78.2 | 75.0 | 67.0 | |
| 單打 | Dcoral | 68.2 | 56.5 | 80.3 | 75.9 | 70.2 |
| Revgrad | 67.9 | 55.9 | 80.4 | 75.8 | 70.0 | |
| 擔 | 68.5 | 59.4 | 79.0 | 82.5 | 72.4 | |
| 源組合 | 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 |
請注意，（1）源組合：將所有源域組合到傳統的單源與目標設置中。 （2）單個最佳：在多個源域中，我們報告了最佳的單源傳輸結果。 （3）多源：Muda方法的結果。
如果您發現自己的準確性為100％，則問題可能是數據集文件夾。請注意，數據提供商工作所需的文件夾結構是：
-dataset
-amazon
-webcam
-dslr
如果您對此庫有任何問題，請創建一個問題或向我們發送電子郵件：
如果您使用此存儲庫，請引用以下論文：
@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}
}
