特征空间中的数据集增强
领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性,数据增强被广泛用于学习不变的预测模型,其中大多数方法在输入空间进行增强。然而,输入空间的增强的多样性有限,而特征空间的增强更加灵活且显示了有希望的结果。然而,特征语义很少被考虑,现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法,使我们能够增加样本的多样性,同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。
May, 2024
本文研究如何将数据增强应用于无监督特征学习,我们将各种变换应用于随机图像块,通过卷积神经网络分类学习到有用的特征表示,同时实验结果显示这一算法能在多个视觉数据集上取得较为有竞争性的分类结果。
Dec, 2013
本文提出了一种新的演化域广义化方法,即 Directional Domain Augmentation (DDA),并采用表示空间中的元学习方法解决了双层优化问题,该方法在合成数据集和现实世界数据集上进行了实际测试,并取得优于其他现有方法的结果。
Jan, 2023
探索数据增强提高模型泛化效果的方法,从领域泛化的角度出发,揭示目前最先进数据增强方法的局限性,并探讨优化方法。结果表明,即使使用最好的数据增强技术,在训练时使用的扭曲操作也不能提供足够的鲁棒性,这表明了增强示例的未被开发的潜力。
Jul, 2020
本研究使用生成对抗网络(GANs)的目标函数来学习与源数据集不可区分的目标特征,并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明,强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。
Nov, 2017
本文研究了在机器学习分类器的训练中,通过合成数据样本来增强数据的效果。通过数据扭曲和特征空间中的合成过采样两种方法,我们对卷积神经网络,卷积支持向量机和卷积极限学习机分类器在标准的 MNIST 手写数字数据集上进行了实验评估。实验结果表明,在数据空间中合成数据可以更有效地提高性能和缓解过拟合问题。
Sep, 2016
本研究系统地研究了简单、基于规则的图像增强方法(如模糊、噪声、色彩抖动等)对深度神经网络(DNNs)的领域内外泛化能力。 实验结果表明,对多个不同的图像增强进行组合优于单独使用单个图像增强,并且与最先进的领域泛化方法相比表现相当。
Apr, 2023