ECCVJul, 2020

利用内在和外在监督学习的领域泛化方法

PDF
TL;DR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。
neural networksdomain generalizationmulti-task learningmomentum metric learningobject recognition
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

  • 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

  • 通过解决拼图难题进行域泛化

    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

  • 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

  • 多尺度和多层次对比学习用于领域泛化

    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

  • 跨域自监督多任务特征学习：使用合成图像

    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

  • 任务和领域跨界学习

    本文提出了一种新的适应性框架，用于跨任务和领域传递知识，通过在一个完全监督域中学习跨任务和领域的知识，使其在只有部分监督域中实现性能增益。实验证明了该框架在两个具有挑战性的任务（即单眼深度估计和语义分割）和四个不同领域（Synthia、Carla、Kitti 和 Cityscapes）中的有效性。

    Apr, 2019

  • 特征评论家网络用于异构域通用化

    该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

    Jan, 2019

  • 跨任务和领域传递良好特征的学习

    本文提出一种基于知识迁移和神经网络的方法，使得在新领域中，能够在有限或无额外监督的情况下利用特定领域中已学知识解决新任务，并且在特征空间约束和映射网络方面提出了一些策略，从而在合成到真实的语境下，利用单目深度估计和语义分割任务之间的知识迁移，获取了令人满意的结果。

    Jan, 2023

  • 通过多任务自监督预训练提高对于样本外泛化能力

    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