领域 Mixup 在异构域泛化中的应用
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
该研究使用多种潜在领域混合的方式来提高神经网络的领域泛化能力,通过聚类将样本分为不同的领域,并通过对抗学习训练领域不变特征提取器来发现潜在领域,并利用风格特征进行聚类,达到不需要使用领域标签的领域泛化模型的训练。该方法表现优于传统的领域泛化方法,包括使用领域标签的方法。
Nov, 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
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
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
本文提出了一种基于深度卷积神经网络的领域自适应方法,在自动发现图像数据集中的潜在领域并利用此信息来学习鲁棒的目标分类器方面取得了显著优于现有方法的结果,其中引入了两个主要组件,一个是自动计算源样本分配到潜在领域的支路,另一个是利用领域成员信息对齐 CNN 内部特征表示分布的新型图层。
May, 2018
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
本篇论文提出了一种基于模型的域泛化方法,通过对数据生成过程和同变性条件的建模,将域泛化问题转化为一个无限维的有约束统计学习问题,并利用非凸对偶理论发展了有约束松弛的统计问题,提出了具有收敛保证的域泛化算法,并在 ColoredMNIST,Camelyon17-WILDS,FMoW-WILDS 和 PACS 等基准测试中取得了高达 30 个百分点的改进。
Feb, 2021