CMD 域不变表示学习的中心矩差异-ICLR 2017 注意：及其和均可使用 该存储库包含用于重现实验的代码，该论文在Werner Zellinger，Edwin Lughofer和Susanne Saminger-Platz的美国国际学习表示会议（ICLR2017）上发表了报告的实验。 JKU Linz的基于知识的数学系统，以及软件能力Hagenberg的数据分析系统小组的Thomas Grubinger和ThomasNatschläger。 在源代码中，CMD域正则化器用'mmatch'表示。 要求 该实现基于Theano和神经网络库Keras。 要安装Theano和Keras，请按照各自github页面上的安装说明进行操作。 您还需要：numpy，熊猫，seaborn，matplotlib，sklearn和scipy 数据集 我们在论文中报告两个不同基准数据集的结果：Amazo

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

跨域故障检测 包含实验代码和我的学士学位示例的存储库：通过最佳传输进行跨域故障检测。 更多细节即将推出！ 动态系统 实施基准 两缸系统 连续搅拌React釜（CSTR）[1] 型号识别 一阶加延时 二阶加延时 PID调整 直接合成[2] 实施算法 基于实例的传输 内核均值匹配（KMM）[3] Kullback-Leibler重要度估计数（KLIEP）[4] 最小二乘重要性拟合（LSIF）[5] 基于特征的转移 传输成分分析（TCA）[6] 测地线内核（GFK）[7] 主成分分析（PCA）[7] 领域对抗神经网络（DANN）[8] 基于最佳运输的转移 Sinkhorn Transport [9]-已在库中实现 Monge Transport [10]-已在库中实现 联合分配最优运输（JDOT）[11]-改编自 结果 比较研究 React顺序 1.0 0.

Tensorflow 中的领域对抗神经网络 域对抗神经网络在 Tensorflow 中的实现。 重新创建 MNIST 到 MNIST-M 实验。 使用tensorflow-gpu==2.0.0和python 3.7.4 。 MNIST 到 MNIST-M 实验 生成 MNIST-M 数据集 改编自 要生成MNIST-M数据集，您需要下载 ，并将其放置在./Datasets/BSR_bsds500.tgz 。 运行create_mnistm.py脚本。 或者，如果在目录中找不到，脚本create_mnistm.py将为您提供下载的选项。 python create_mnistm.py 这应该会生成./Datasets/MNIST_M/mnistm.h5文件。 数据集也可在此处获得： 训练 运行DANN.py脚本。 python DANN.py 取消注释#train('so

作者提出了一个统一的无监督对抗域适应性框架，分别对三基本模型、是否权值共享、损失函数设计选择做出来讨论。dversarial-discriminative-domain-adaptation

版本 oid sha256：140593c4df24d2a55a892a2997f137514eebbddfc3a1642c25ecc2ee1d7cd3e9大小5514

域自适应论文和代码 这个仓库是关于深度领域适应和领域概括的论文和代码。 目录 NIPS 耦合生成对抗网络 域分离网络 ICML CyCADA：周期一致的对抗域自适应 [Pytorch（官方）] 学习用于无监督域自适应的语义表示[2018] [TensorFlow（官方）] 心肺复苏术 生成适应：使用生成对抗网络对齐域[2018] [Pytorch（官方）] 使用选择性对抗网络进行部分转移学习” [2018] [Caffe和Pytorch（官方）] 对抗性区分域适应[2017] [Tensorflow（Official）] [Pytorch] 国际CCV 开放集域适配[2017] [MATLAB（官方）] AAAI 多专业域适配[2018] [Caffe（官方）] ECCV 通过反向传播进行开放集域适应[2018] [Tensorflow] arXiv

丹恩 PyTorch实施DANN（神经网络领域-专业训练） “” “” 先决条件 python 3.5 pytorch 0.4.1 结果 MNIST -> MNIST-M 这项工作的结果来自平均（以下五项测试）。 实验 仅来源 丹恩 MNIST和MNIST-M功能分布 仅来源 域适应（DANN）

PyTorch中的域自适应快速R-CNN 这是Haoran Wang（ ）实施的“用于野外物体检测的域自适应快速R-CNN”的PyTorch实现。 原始文件可以在找到。 此实现基于 @ 。 如果您发现此存储库有用，请引用以下原始论文： @inproceedings{chen2018domain, title={Domain Adaptive Faster R-CNN for Object Detection in the Wild}, author = {Chen, Yuhua and Li, Wen and Sakaridis, Christos and Dai, Dengxin and Van Gool, Luc}, booktitle = {Computer Vision and Pattern Recognition (CVPR)},