领域增强元学习的开放域泛化

Apr, 2021

Open Domain Generalization with Domain-Augmented Meta-Learning

Yang Shu, Zhangjie Cao, Chenyu Wang, Jianmin Wang, Mingsheng Long

TL;DR本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架(DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML方法在未知领域识别方面表现优越。

Abstract

Leveraging datasets available to learn a model with high generalization ability to unseen domains is important for computer vision, especially when the unseen domain's annotated data are unavailable. We study a novel and practical problem of open domain generalization (OpenDG), which l

发现论文，激发创造

学习泛化：领域泛化的元学习

本文提出了一种元学习方法，通过在每个小批处理中合成虚拟测试领域，模拟训练/测试领域变化的过程，使用模型无关的培训程序，这种方法在最新的跨领域图像分类基准测试中取得了最先进的结果，并在两项经典强化学习任务中展示了其潜力。

Oct, 2017

基于模型无关语义特征学习的域泛化

研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

Oct, 2019

具有变分信息瓶颈的学习到学习方法，用于域通用化

本文介绍了一种面向领域概括的概率元学习模型，并通过提出的元变分信息瓶颈原则，即MetaVIB，学习了领域不变表示，从而更好地处理了预测不确定性和领域转移问题。

Jul, 2020

领域泛化：一份调查报告

本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。

Mar, 2021

MVDG：用于域泛化的统一多视角框架

本文提出了一种基于多视角的领域泛化框架，利用多任务和多视角的元学习进行模型训练和更新，有效降低模型过拟合和不稳定预测问题，并在三个基准数据集上得到较好的结果，优于目前的一些最先进方法。

Dec, 2021

简单的域泛化方法是开放域泛化的强基准

该研究对现有的DG（Domain Generalization）方法在ODG（Open Domain Generalization）情况下进行综合评估，显示出两种简单的DG方法，CORrelation ALignment（CORAL）和Maximum Mean Discrepancy（MMD），在多种情况下与DAML竞争力强，且简单DG方法的扩展也是ODG的较强基线。

Mar, 2023

单源开放域泛化学习的类别和领域增强

单源开放域泛化 (SS-ODG) 通过在训练期间提供带标签的源域和在测试期间提供没有标签的新颖目标域来解决有监督的挑战。现有的技术主要集中于校准源域的分类器以识别目标域中的开放样本。然而，这些方法在对视觉细粒度的开放-闭合数据时往往出现错误分类的情况。为了克服这些限制，我们提出了一种名为 SODG-Net 的新颖框架，该框架使用基于学习的目标同时合成新颖域和生成伪开放样本，与文献中常见的临时混合策略形成对比。我们的方法通过使用新颖的度量标准增强了对已知类别样本样式的泛化能力，并生成了多样的伪开放样本，以训练能够处理开放和闭集数据的统一且自信的多类分类器。在多个基准测试中进行的大量实验评估一致表明了 SODG-Net 相对于文献的卓越性能。

Nov, 2023

领域泛化通过元学习: 一项调查

深度神经网络在人工智能领域带来了革命性的进展，但面对分布转移时常常缺乏性能。传统神经网络假设训练和测试数据服从同一分布，然而实际应用中这一假设经常被违反。元学习作为一种有前景的方法，通过获取可传递的知识来快速适应各种任务，从而消除了从头学习每个任务的需求。本文基于特征提取策略和分类器学习方法的新分类法，全面调查了元学习在领域泛化方面的贡献，详细介绍了该领域的基础知识，并提供了关于未来研究方向的实践见解和深入讨论。

Apr, 2024

PracticalDG: 视觉-语言模型的扰动提取与混合域泛化

该研究论文介绍了一种通过将知识从轻量级视觉模型转移到视觉-语言模型，并引入三个方面的扰动提炼（SCI-PD）来提高鲁棒性的方法，并通过新的混合领域泛化基准和度量进行全面评估，结果表明该方法在多个数据集上优于现有算法，尤其在数据稀缺情况下提高了鲁棒性。

Apr, 2024

面向多模态开放领域泛化和自适应的自监督方法

本研究提出了一种利用自我监督方法解决多模态开放领域泛化（MM-OSDG）问题的新途径，引入了两个创新的多模态自我监督预训练任务：遮蔽跨模态翻译和多模态拼图。这些任务有助于学习多模态代表性特征，提高泛化和开放类别检测能力，并提出一种新颖的熵权重机制来平衡不同模态的损失。此外，我们还扩展了该方法以解决多模态开放领域自适应（MM-OSDA）问题。实验证明了该方法在多个数据集上的有效性和多样性。

Jul, 2024