CVPRMar, 2019

通过解决拼图难题进行域泛化

PDF
TL;DR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。
human adaptabilitysupervised learningunsupervised learningobject recognitiondomain generalization
发现论文，激发创造
  • 跨领域的自监督学习

    本研究提出一种对物体在不同域中的识别问题采用监督学习和自监督学习方法相结合的多任务学习算法，通过学习对象形状，掌握空间定向和部件相关性等概念，证明该算法在域通用和适应性方面具有较高的竞争力。

    Jul, 2020

  • 面向形状偏向的领域通用无监督表示学习

    本研究提出了一种自我监督学习框架，通过整合领域多样性和拼图等方式，学习语义和形状倾向的表示，可用于领域泛化。实验结果表明，该框架明显优于现有的领域泛化方法。

    Sep, 2019

  • 弱空间约束下的迭代重组：无人监督表征学习中任意拼图问题的解决

    本文提出了一种用于解决任意大小和形状的智力拼图，利用无监督学习从未标记的图像数据中学习视觉特征，可作为网络初始化的可靠方法，适用于图像分类、物体检测和语义分割等几类视觉识别任务。

    Dec, 2018

  • 自监督学习：逐个样本学习泛化能力

    本文探讨了如何在不增加过多数据注释的情况下，利用自监督学习来实现领域泛化和适应性，结果表明该方法在三种不同的情景下有效。

    Oct, 2019

  • 基于模型无关语义特征学习的域泛化

    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

  • 利用内在和外在监督学习的领域泛化方法

    提出了一种基于神经网络的领域泛化框架，它使用多任务学习范式的特征嵌入形式，在进行普通的监督识别任务的同时，还无缝集成了动量度量学习任务和自我监督辅助任务，以共同利用外部监督和内在监督，并通过使用 K-hard 负采样的有效动量度量学习方案，来提升网络的性能。对 VLCS 和 PACS 两个标准目标识别基准进行测试，结果表明该方法达到了最先进的性能表现。

    Jul, 2020

  • 通过解决拼图游戏来无监督地学习视觉表征

    本文研究了无需人工注释的图像表示学习问题，通过自监督学习的方式，构建了一个卷积神经网络，该网络能够以拼图问题作为预文本任务进行训练，从而无需手动标注，并在后续用于解决目标分类和检测问题；同时引入了一种名为 CFN 的无上下文网络，该网络以图像块作为输入，并将其早期处理单元的感受野（或上下文）明确限制为一次一个图像块，以保持跨任务的兼容性。通过训练 CFN 来解决拼图问题，我们学习了对象部分的特征映射以及它们的正确空间排列，实验评估结果表明，所学习的特征捕获了语义相关的内容；本文提出的学习视觉表示的方法在多个转移学习基准测试中胜过现有的最先进方法。

    Mar, 2016

  • 记忆定位：学习语义分割泛化

    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

  • 跨领域拓展和分析自监督学习

    通过对自监督学习在卫星图像等各个领域的实验发现，旋转任务是语义最具意义的，而 Jigsaw 和 Instance Discrimination 的性能很大程度上归因于它们诱导分布的特性，但在细粒度分类等任务上所有任务的表现均不佳，这些成功和失败的原因通过对预训练泛化、随机标签和隐含维度的研究进行了定量和定性的诊断。

    Apr, 2020

  • 现实世界域泛化的自适应方法

    本论文提出了基于领域自适应的方法，将无监督训练样本中的领域信息作为辅助信息，采用学习的鉴别性领域嵌入构建领域自适应模型，用于即使在未见过领域上的预测任务。该方法在各种领域泛化基准上均实现了最先进的性能，并引入了首个现实世界的大规模领域泛化基准 Geo-YFCC，相对于现有的方法，该基于领域自适应的方法在该数据集上实现了显着的优化。

    Mar, 2021