通过减少风格偏见来减小领域差距
该论文介绍了使用样式化图像来增强数据集中的偏见纠正方法,以达到在不同领域中进行分类的目的。他们提供了一种基于领域内的纯样式化图像的方法,并通过详细的分析证实了该方法的机制,结果超过或与使用更复杂的方法的现有技术相当。
Jun, 2020
该研究论文介绍了一种插入到 CNN 浅层中,名为 MixStyle 的插件,通过混合特征统计数值以提高 CNN 在领域转移方面的泛化性能和分布外泛化能力。MixStyle 不仅简单灵活而且用途广泛,可用于半监督领域泛化和无监督领域适应等问题。作者通过广泛的实验证明,MixStyle 可以显著提高各种任务的分布外泛化性能。
Jul, 2021
本研究介绍了一种新的基于概率混合实例级别特征统计的域泛化方法 MixStyle 来提高卷积神经网络模型的泛化性能,该方法着眼于图像风格与视觉域之间的关联关系,并将其应用于 CNN 的底层进行数据增广,既可用于分类任务还可应用于实例检索和强化学习等任务。
Apr, 2021
通过对于一种现有的照片风格转换算法进行简单的修改,本文展示了应用于真实图像时的深度神经网络有效利用合成数据的方法,提高了合成图像到真实图像的领域适应性。我们在语义分割和物体检测的四个合成到真实的任务上进行了广泛的实验验证,展示了我们的方法在基于分割和物体检测的度量方面超越了任何当前的基于 GAN 的图像翻译方法的性能。此外,我们还通过距离分析方法,展示了我们的算法在缩小他们之间距离并且将合成数据转换为真实数据方面得到的显著效果。
Jul, 2018
提出了一种针对医疗图像分析中源域不匹配问题的新框架,该框架采用风格随机化模块和内容一致性正则化,旨在提取既与病理特异性有关、同时又具有域不可知特性的高级语义特征。在未经训练的测试数据集上的广泛实验表明,该方法更加健壮,达到了最先进的性能水平。
Feb, 2023
通过一种名为 Stylized Dream 的新型基于优化的数据增强方法来减少模型的贴图偏差,实现基于形状的表示学习,从而取得了出类拔萃的跨领域问题性能的最新成果。
Feb, 2023
为了解决深度学习模型在未知目标域中的语义分割性能下降的问题,本研究提出了一种名为 BlindNet 的新型域泛化语义分割方法,通过盲化样式且无需外部模块或数据集来提高编码器中样式的鲁棒性,同时通过协方差对齐和语义一致性对比学习来提高解码器的分割性能,实验结果表明,BlindNet 方法在语义分割中性能优越且鲁棒性强。
Mar, 2024
本论文提出了一种基于深度卷积神经网络的适应性层及额外的领域混淆损失函数,学习既有语义意义且兼具领域不变性的表示。此方法提供了优异的实验性能,超过了之前已发表成果,如在标准化基准视觉领域适应任务的结果。
Dec, 2014
本研究提出一种用于视觉领域适应的 CNN 架构,利用未标记和稀疏标记的目标领域数据实现域不变性优化并采用软标签分布匹配损失在任务之间传递信息,其在监督和半监督适应设置下都取得了先前发表结果之上的实证表现。
Oct, 2015
本研究提出使用领域特定映射来重新映射共享内容空间中的潜在特征到特定内容空间,以提高图像的编码质量和风格传递的效果。实验证明,与以往的图像风格转换方法相比,所提出的方法在需要图像间语义对应的复杂场景中表现得更好。
Aug, 2020