CVPRMar, 2021

基于渐进式领域扩展的单领域泛化网络

PDF
TL;DR本文提出了一种新的学习框架，名为渐进域扩展网络（PDEN），用于单域泛化。该方法通过扩展训练域的覆盖范围来学习跨域不变表示，并使用对应的对策提高了应用实践中的泛化性能。PDEN 表现出与现有最先进单域泛化方法相比高达 15.28% 的改进。
single domain generalizationcross-domain invariant representationsprogressive domain expansion networkdomain expansion subnetworkcontrastive learning
发现论文，激发创造
  • 领域密度转换的域不变表示学习

    本论文提出了一种基于对抗生成网络的方法，通过学习域间变换的不变性来实现域不变表示的学习，以解决领域泛化问题，并在多个广泛使用的数据集上取得了与最先进模型竞争的结果。

    Feb, 2021

  • 深度域泛化的批归一化嵌入

    该研究提出一种基于批标准化和集成模型的域泛化方法，以在不同和未知的领域中提高机器学习模型的鲁棒性和分类准确性。

    Nov, 2020

  • 虹膜呈现攻击检测的单域动态泛化

    本文提出了一种单一域动态泛化框架，它能够在每个样本基础上同时利用领域不变特征和领域特定特征，并通过信息最大化损失和元学习的模式使网络能够泛化到各种未知领域中，在 LivDet-Iris 2017 数据集上取得了最佳效果。

    May, 2023

  • 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

  • 基于模型的领域通用化

    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

  • 使用多个潜在领域的混合模型进行领域泛化

    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

  • 领域泛化的情节训练

    本文旨在解决域适应问题，提出训练方法和策略，包括将深度神经网络分为特征提取器和分类器、使用伙伴交互训练方法、训练新问题的稳健性特征。新方法在三个域泛化基准下表现出最先进的性能，还表明该方法有助于计算机视觉中的标准方法。

    Jan, 2019

  • 更深，更广，更艺术化的领域泛化

    本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

    Oct, 2017

  • 跨领域集成蒸馏用于领域泛化

    本文提出了一种名为 XDED 的跨域集合蒸馏方法，通过学习域不变特征并鼓励模型收敛于平坦极小值来提高泛化能力，同时提出了解决任意目标域中样式连贯性的去风格化方法。该方法在交叉领域图像分类、跨数据集的 person re-ID 和语义分割中极大地提高了泛化能力，并且表明所学习的模型对抗攻击和图像破坏是鲁棒的。

    Nov, 2022

  • 图像生成器的域扩展

    该文提出了一个新的任务 - 领域扩展，通过最小扰动原有表示的方式最大化表示新的相关领域并利用未被使用的 “休眠” 方向重构表示新领域，同时发现预训练生成器具有添加新领域的能力，实验结果表明，通过该方法扩展模型能代替多个领域模型，同时支持领域之间平滑过渡和组合。

    Jan, 2023