ICLRApr, 2021

混合样式领域泛化

PDF
TL;DR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。
convolutional neural networksdomain generalizationmixstyleimage stylegeneralizability
发现论文，激发创造
  • 混合风格神经网络用于领域泛化与适应

    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

  • 通过图像风格化实现简单的域泛化

    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

  • 领域 Mixup 在异构域泛化中的应用

    针对深度卷积神经网络的广义性能力不足的问题，提出了一种混合多个来源域的样本的新型异构域泛化方法，通过 Visual Decathlon 基准实验验证了方法的有效性。

    Sep, 2020

  • 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

  • 特征风格化与领域感知对比学习用于领域泛化

    提出了一种基于特征统计进行特征风格化的领域泛化框架，其中利用领域样式样本对原始特征进行低频成分的风格化处理，并利用领域感知的对比损失增加类别可区分性，得到在 PACS 和 Office-Home 两个基准测试上超越现有最先进方法的实验结果。

    Aug, 2021

  • 利用样式增强特征域混合的组织病理学图像分析以提高泛化能力

    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

  • 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

  • 单一领域泛化的多样化学习

    本研究提出了使用样式互补模块来增强模型的泛化能力，从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验，结果表明本方法优于现有的单域泛化方法，最高提升了 25.14%。

    Aug, 2021

  • MIXGAN：跨域学习用于混合生成的概念学习

    本文介绍了一项有趣的混合生成尝试：通过从不同的领域吸收不同的图像概念（例如内容和样式），从而生成一个学习概念的新领域。MIXGAN 可从两个领域分别学习内容和样式的概念，因此可以将它们加入新领域进行混合生成，即生成来自一个领域的内容和来自另一个领域的样式的图像。与相关的最先进的基于 GAN 的模型相比，MIXGAN 克服了当前基于 GAN 的模型的限制。

    Jul, 2018

  • 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