Oct, 2020

Permuted AdaIN: 减少图像分类中全局统计偏差的方法

PDF
TL;DR该研究提出了一种基于 Permuted Adaptive Instance Normalization (pAdaIN) 的方法，通过对卷积神经网络模型的隐藏层中的全局图像统计数据的减少，增加对形状或纹理等线索的重视，从而改进图像分类和域自适应的效果。
convolutional neural networkglobal image statisticspermuted adaptive instance normalizationimage classificationdomain adaptation
发现论文，激发创造
  • 通过对抗性特征扰动实现对图像风格的编码稳健性

    通过对特征统计数据直接进行扰动，我们提出了 Adversarial Batch Normalization (AdvBN) 方法，它是一种单一的网络层，可以在训练期间生成最差情况下的特征扰动。通过在扰动的特征分布上对神经网络进行微调，我们观察到网络对各种不可见的分布偏移，包括样式变化和图像损坏，具有更好的鲁棒性。此外，我们证明我们提出的对抗性特征扰动可以与现有的图像空间数据增强方法互补，从而实现改进性能。

    Sep, 2020

  • 实用域自适应的 Batch Normalization 重新审视

    本文提出了一种称为自适应批量归一化（AdaBN）的方法来提高深度神经网络的泛化能力，无需额外组件或参数，并证明其在领域适应任务和现有方法相结合时具有卓越的性能表现。

    Mar, 2016

  • 克服连续学习中规范化统计的新陈代谢偏见：平衡和适应

    持续学习在深度神经网络中的应用及其在适应性平衡方面的理论分析。通过提出适应性平衡的批归一化策略 (AdaB2N)，在各种基准测试中显著提高了性能。

    Oct, 2023

  • 自适应样式不变神经网络的批量实例归一化

    通过 Batch-Instance Normalization 技术，能够显式地将图像中不必要的样式进行规范化，从而对识别性任务的结果产生了惊人的提升，理论有效性得到了实验验证。

    May, 2018

  • 基于 AdaIN 的域自适应和知识蒸馏的 CXR 分割

    通过自适应实例标准化技术，同时进行域适应和半监督分割任务训练的单一生成器模型，达到胸部 X 光分割领域中未见效果，并且实现了最先进的分割效果。

    Apr, 2021

  • 通过协变量转移适应性提高对常见数据损坏的稳健性

    本研究证明：大多数图像较差的基准测试不能很好地衡量图像识别模型在许多场景下的稳健性，因此提出了一种基于非监督在线适应的方法，通过更改模型激活的统计特征来提高模型的稳健性。改进后的模型可在 ImageNet-C 数据集上取得更好的表现。

    Jun, 2020

  • PASA: 使用预测和归因敏感性分析的攻击不可知的无监督对抗检测

    深度神经网络在分类方面容易受到对抗性攻击影响，本文提出了一种基于特征归因的方法来检测对抗样本，其能够可靠地检测到对抗样本，并在性能上优于目前最先进的统计无监督对抗检测器。

    Apr, 2024

  • 重新审视批归一化以提高抗扰动性

    本研究中，我们将深度神经网络中的几项统计学指标变换为适应不同数据集，并通过少量表示样本的统计估计实现批量归一化统计量的调整与适应，从而在多种基准数据集上得到了更好的数据集迁移性和鲁棒性表现。

    Oct, 2020

  • 单领域泛化的对抗自适应归一化

    本文提出了一种通用的标准化方法 — 自适应标准化和重新缩放标准化（ASR-Norm），通过神经网络学习标准化和重新缩放的统计数据，可以进一步提高单域泛化模型的范化能力，特别是在源域与目标域差异较大的情况下，该方法在 Digits、CIFAR-10-C 和 PACS 基准测试中与 ADA 方法相比可平均提高 1.6%、2.7% 和 6.3%。

    Jun, 2021

  • 同时进行：通过 IBN-Net 增强学习和泛化能力

    IBN-Net 是一种卷积神经网络结构，它通过融合实例归一化和批量归一化，能显著提高 CNN 在一个领域（例如 Cityscapes）的建模能力以及在另一个领域（例如 GTA5）的泛化能力，并且适用于许多先进的深度网络。

    Jul, 2018