具有领域特定聚合模块的领域泛化
研究域常规化问题及其解决方法,通过使用基于梯度的元训练和元测试过程,引入了两种补充损失来明确地规范特征空间的语义结构,从而取得了两个常见对象识别基准测试的最新效果。
Oct, 2019
通过引入多个特定于源域的分类器,利用预测目标样本属于每个源域的概率进行最优融合,并引入一个域不可知组件来支持最终分类器,我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。
Jun, 2018
本文提出了一种新颖的域泛化框架,通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力,从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明,该方法在多个基准细分数据集上都取得了最新的前沿成果。
Mar, 2020
本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题,建立起一个更加完整的基准测试数据集,并在其中进行了对比实验,证明了该方法的优越性以及提出的数据集的更高难度值。
Oct, 2017
本文提出了一个视觉监督领域适应和泛化深度模型的统一框架,利用孪生网络结构来学习判别性嵌入子空间,通过点对代理的分布距离和相似性来解决少量目标数据样本标注的情况下,语义概率分布的对齐与分离问题。研究表明该方法在快速自适应方面的优势表现出来,并且只需要极少量的标注目标训练样本,甚至每个类别仅需一个标注样本就可以发挥有效性。此外,该方法还可扩展到领域泛化,并且实验证明该方法在两个应用领域都有很好的效果。
Sep, 2017
通过结合多层和多尺度的特征,利用深度卷积神经网络来提高图像分类器的领域泛化能力,并提出了一种新颖的目标函数,使用对比学习的方法约束提取的特征在分布转移下保持不变,实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。
Aug, 2023
该论文提出了一种基于元学习框架的新型记忆引导域泛化方法,该方法抽象了语义类别的概念知识,并通过训练多次来学习如何记忆无域和不同的类别信息,并提供外部固定的记忆作为类别指导,以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验,证明了我们的方法在各种基准上具有卓越的泛化能力。
Apr, 2022
本研究旨在将自适应方法应用于不同领域中的对象识别任务。通过受监督的信号和自监督的信号来学习和合并知识,扩展模型对数据的理解并提高分类任务的准确性。经过多次实验验证,本方法相较之前的方法在域通用性和适应性上具有更好的效果。
Mar, 2019
本文研究领域适应和泛化中的预测领域适应的问题,提出了一种能够通过图形利用辅助域中信息的深度学习架构,同时提出了一种简单有效的策略,能够在测试时利用流入的目标数据进行连续的领域适应,并在三个基准数据库上进行了实验证明了我们方法的价值。
Mar, 2019
本文提出了一种针对领域泛化问题的替代神经网络结构,该结构可以关注卷积神经网络的多个层次,利用可训练的注意机制来实现鲁棒的数据分类,同时在已有的四项领域通用基准测试中表现良好。
Apr, 2023