自我挑战提高跨领域泛化能力
本文提出了一种多任务深度网络学习通用高级视觉表示的方法，并通过对人工制成的图像进行训练来克服真实与合成数据之间的领域差异，模型考虑同步从合成 RGB 图像中预测其表面法向、深度和实例轮廓，并最小化真实和合成数据之间特征空间的差异，在广泛实验的基础上，表明我们的网络相比单任务基线学习到更具有可转移性的表示，使得在 PASCAL VOC 2007 分类和 2012 检测上能够产生最先进的迁移学习结果。
Nov, 2017
本研究表明，在计算机视觉中，使用自监督学习获得的特征，在域泛化方面与或优于使用监督学习获得的特征，并引入了一个新的自监督预文本任务来预测对 Gabor 滤波器组的响应，使用多任务学习提高了域泛化性能。
Mar, 2020
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
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
本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过Augmentation Layer增强CNN的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在PACS、VLCS、Office-Home和TerraIncognita等数据集上表现优异。
May, 2023
本文探讨了一种名为XCNorm的线性算子，该算子使用权重和输入特征图之间的归一化交叉相关来提高深度神经网络的鲁棒性，在单域通用基准测试中表现出与最先进方法相当的性能。
Jul, 2023
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
该研究解决了深度神经网络在超出分布（OOD）场景中性能下降的问题，提出了一种新颖的DICS模型，以提取领域不变和类别特定的特征。研究发现，通过领域不变性测试（DIT）和类别特异性测试（CST）的方法有效减轻了混淆因素带来的影响，从而增强了分类效果，证明了该模型在目标领域中能够有效识别每个类别的关键特征。
Sep, 2024