CDAD-Net: 广义类别发现中的领域差距连接

提出了一种基于判别式对抗领域适应（DADA）的新型对抗学习方法，解决了任务和域分类器独立导致的收敛问题。

DADA方法能够在实际条件下定义一个最小极值博弈，促进联合分布对齐。

DADA被扩展到部分和开放集领域适应的挑战性问题设置中，并在基准数据集上取得了最新成果。

主动广义类别发现（AGCD）通过主动选择有限数量的有价值样本进行标注，改善广义类别发现的性能。

动态概念对比学习（DCCL）框架通过交替估计基本视觉概念和学习概念表示，提高聚类准确性，尤其在细粒度视觉识别上表现良好。

对抗学习方法通过一般化的视角更好地理解前面的方法，提出了新的对抗判别域自适应框架ADDA，优于竞争的域对抗方法。

AdaGCN框架在标签数据不足的情况下，成功从部分标记的源网络中利用标记信息辅助目标网络节点分类。

Decoupled Prototypical Network模型能够解耦已知和新类别，捕捉高级语义信息，并在多个基准数据集上表现优于现有技术。

促进分类域联合自适应（CatDA）方法通过联合分类器生成对齐一致的分类预测，实现更细粒度的领域对齐。