Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Paulo (UNIFESP) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | Silva, Lucas F. A. | - |
Autor(es): dc.creator | Pedronette, Daniel C. G. | - |
Autor(es): dc.creator | Faria, Fabio A. | - |
Autor(es): dc.creator | Papa, Joao P. | - |
Autor(es): dc.creator | Almeida, Jurandy | - |
Data de aceite: dc.date.accessioned | 2025-08-21T21:01:17Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T21:01:17Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2020-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/SIBGRAPI54419.2021.00031 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/234112 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/234112 | - |
Descrição: dc.description | Deep learning (DL) has been the primary approach used in various computer vision tasks due to its relevant results achieved on many tasks. However, on real-world scenarios with partially or no labeled data, DL methods are also prone to the well-known domain shift problem. Multi-source unsupervised domain adaptation (MSDA) aims at learning a predictor for an unlabeled domain by assigning weak knowledge from a bag of source models. However, most works conduct domain adaptation leveraging only the extracted features and reducing their domain shift from the perspective of loss function designs. In this paper, we argue that it is not sufficient to handle domain shift only based on domain-level features, but it is also essential to align such information on the feature space. Unlike previous works, we focus on the network design and propose to embed Multi-Source version of DomaIn Alignment Layers (MS-DIAL) at different levels of the predictor. These layers are designed to match the feature distributions between different domains and can be easily applied to various MSDA methods. To show the robustness of our approach, we conducted an extensive experimental evaluation considering two challenging scenarios: digit recognition and object classification. The experimental results indicated that our approach can improve state-of-the-art MSDA methods, yielding relative gains of up to +30.64% on their classification accuracies. | - |
Descrição: dc.description | Universidade Federal de São Paulo - UNIFESP Instituto de Ciência e Tecnologia, SP | - |
Descrição: dc.description | São Paulo State University - UNESP Dept. of Statistics Applied Mathematics and Computing, SP | - |
Descrição: dc.description | São Paulo State University - UNESP Dept. of Computing, SP | - |
Descrição: dc.description | São Paulo State University - UNESP Dept. of Statistics Applied Mathematics and Computing, SP | - |
Descrição: dc.description | São Paulo State University - UNESP Dept. of Computing, SP | - |
Formato: dc.format | 168-175 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - 2021 34th SIBGRAPI Conference on Graphics, Patterns and Images, SIBGRAPI 2021 | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | Improving Transferability of Domain Adaptation Networks Through Domain Alignment Layers | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: