CVPRJun, 2021

单领域泛化的对抗自适应归一化

PDF
TL;DR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%。
single domain generalizationadaptive standardization and rescaling normalizationstatisticsneural networksmodel generalization
发现论文，激发创造
  • 一种面向域不可知的无监督对抗域自适应规范化层

    我们提出了一种适用于语义场景分割领域的无监督领域自适应规范化层，通过引入 Domain Agnostic Normalization 层，我们的方法在 GTA5 和 Cityscapes 数据集上均优于现有的最先进技术，并且还在 Apolloscape 和 Mapillary 上展现出了性能的提高。

    Sep, 2018

  • 学习优化针对特定领域的归一化以实现领域泛化

    本研究提出了利用深度神经网络的多源域泛化技术，通过引入特定于各个领域的优化归一化层。在每个域中，根据多个归一化统计的加权平均值对激活值进行归一化处理。并且在实现中使用批和实例归一化，以确定这两种归一化方法的最佳组合，优化学习模型的通用性。本方法在标准域泛化基准测试中展示了当前最高的准确率，同时适用于诸如多源领域适应和带有标签噪声的域泛化等进一步的任务。

    Jul, 2019

  • 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

  • 通用人脸反欺诈的自适应归一化表征学习

    提出了基于规范化选择的适应性规范化表示学习框架，可提高面部反欺诈的泛化能力并具有较高的鲁棒性。通过实验验证了该方法在 SOTA 竞争者中的有效性。

    Aug, 2021

  • AdvST: 重访单领域泛化的数据增强

    使用可学习参数的语义转换的敌对学习（AdvST）通过对源领域数据进行语义转换增强并学习鲁邦岛移情据从而优化在语义分布上定义的分布鲁邦岛优化目标。与现有方法相比，AdvST 具有竞争力且在 Digits，PACS 和 DomainNet 数据集上获得最佳的平均单域类比性能。

    Dec, 2023

  • NormAUG：基于归一化指导的领域泛化增强

    通过数据增强和集成策略，提出一种名为 NormAUG 的简单而有效的方法来解决深度学习中由于领域转移而导致的性能下降问题，并在多个基准数据集上进行了广泛实验来验证其有效性。

    Jul, 2023

  • 特征规范自适应方法：适用于无监督域自适应的更大规范更易迁移

    通过适应特征规范实现域适应来解决目标任务的模型性能下降问题，该方法将标准域适应和部分域适应统一计算，并且在 Office-Home 数据集上取得了 11.5% 的性能提升，在 VisDA2017 数据集上取得了 17.1% 的性能提升。

    Nov, 2018

  • 针对特定领域的批量归一化在无监督领域适应中的应用

    提出了一种基于领域特定批量归一化的深度神经网络的新型无监督领域自适应框架，其中包括估计目标领域示例的伪标签和使用多任务分类损失进行源和目标域的学习，实现了多源领域自适应场景的全面优化。

    May, 2019

  • 基于标准化的动态无监督域自适应

    本文提出了一种名为动态无监督适应 (Dynamic Unsupervised Adaptation) 的方法，通过持续适应批规范化层的统计数据，可以在只有一小部分无标签数据的情况下，对一个已经训练好的模型进行继续适应，并取得与强基线相当的性能表现，尤其适应于具有数据稀缺或需要不断适应的情况，例如在困难的天气条件下的自动驾驶对象识别任务。

    Dec, 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