重新思考领域泛化基线
在非领域内和领域泛化设置中,通过使用均匀采样的标准数据增强转换,增加转换的强度以适应领域外的更高数据差异,并设计新的奖励函数来拒绝可能损害训练的极端转换,我们的数据增强方案达到与基准领域泛化数据集上的最先进方法相媲美甚至更好的准确性。
Oct, 2023
探索数据增强提高模型泛化效果的方法,从领域泛化的角度出发,揭示目前最先进数据增强方法的局限性,并探讨优化方法。结果表明,即使使用最好的数据增强技术,在训练时使用的扭曲操作也不能提供足够的鲁棒性,这表明了增强示例的未被开发的潜力。
Jul, 2020
本研究提出了一种基于特征域风格混合的技术,利用自适应实例归一化生成具有风格增强版本的图像。通过与现有的基于风格迁移的数据增强方法进行比较,发现该方法在计算和时间上要求较低的情况下表现相似或更好。研究结果展示了特征域统计混合在组织病理学图像分析学习模型的泛化中的潜力。
Oct, 2023
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
本研究系统地研究了简单、基于规则的图像增强方法(如模糊、噪声、色彩抖动等)对深度神经网络(DNNs)的领域内外泛化能力。 实验结果表明,对多个不同的图像增强进行组合优于单独使用单个图像增强,并且与最先进的领域泛化方法相比表现相当。
Apr, 2023
领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性,数据增强被广泛用于学习不变的预测模型,其中大多数方法在输入空间进行增强。然而,输入空间的增强的多样性有限,而特征空间的增强更加灵活且显示了有希望的结果。然而,特征语义很少被考虑,现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法,使我们能够增加样本的多样性,同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。
May, 2024
本文介绍了一种名为 CompStyle 的新型框架,利用样式转换和对抗训练以及高级输入复杂性增强来扩展域空间和处理未知的分布,以提高自动化系统和深度学习模型的性能。实验证明我们的方法在肾脏数据的语义分割和心脏数据的损坏鲁棒性上都能提高性能,而无需额外的培训时间或资源。
Jun, 2024
本文提出了一种新的演化域广义化方法,即 Directional Domain Augmentation (DDA),并采用表示空间中的元学习方法解决了双层优化问题,该方法在合成数据集和现实世界数据集上进行了实际测试,并取得优于其他现有方法的结果。
Jan, 2023
本文提出了一种基于随机样式转换的数据增广方法,即样式增广,以提高卷积神经网络在分类、回归和领域迁移任务中的鲁棒性。在训练期间,通过从多元正态分布中采样输入样式嵌入,将任意样式转换网络调整为执行样式随机化,以随机化纹理、对比度和颜色,同时保留形状和语义内容,并且与传统的数据增广技术相结合以改进网络性能。通过分类和单目深度估计领域迁移实验的验证,证明本文提出的技术方法能够提高模型的泛化能力。
Sep, 2018