无监督域泛化
该研究论文探讨了领域泛化和无监督领域泛化问题,提出了一种在多模态场景下构建数据集的新方法,并在不同的基准测试上与其他方法进行了比较,取得了较高的准确性。
Feb, 2024
本文提出了一种新的无监督领域泛化方法,通过利用自监督学习的 Bridge Across Domains 辅助桥接,从多个训练领域学习语义保留的图像到图像映射,使得各个领域能够在语义上对齐,包括在多领域数据集上无监督泛化到看不见的领域和类别等多个任务方面都取得了显著进展。
Dec, 2021
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。
Apr, 2021
本文提出了一种新颖的深度框架,利用半监督域泛化技术,通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题,同时当准确的伪标签为无标签源域生成时,使用域混合操作增加标记和未标记域之间的新域,有助于提高模型的泛化能力,并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。
Oct, 2021
本文介绍了一种名为 ProUD 的新算法,通过领域感知原型以及标记和未标记领域的不确定性自适应混合,有效地学习领域不变特征,解决了领域之间数据不平等的问题,并在三个不同的基准数据集上进行的实验证明了 ProUD 的有效性,胜过所有基线模型,包括单领域泛化和半监督学习。
Mar, 2024
该论文提出了 Domain-Free Domain Generalization (DFDG),一种模型无关的方法,通过学习领域不变的类别判别特征来实现更好的领域泛化性能,具体方法包括使用类别条件软标签来对齐样本的类别关系,使用显著性图来消除训练输入中的表面观察,并在时间序列传感器和图像分类的公共数据集上获得了具有竞争性的性能。
Feb, 2021
这篇论文是对近年来领域泛化(即在一个或多个不同但相关的领域中学习出可以推广到看不见的测试领域的模型)领域的最新进展的首次回顾,涵盖了相关的理论、算法、数据集、应用,并提出了未来的研究方向。
Mar, 2021
本文提出了一种基于分布鲁棒优化的普适认证框架,旨在弥补现有基准数据集在测试时无法全面评估领域通用算法的局限性,并提出了一种训练算法,可以用于改进其认证性能。实证评估表明,该方法显著提高了风险压力下模型的最坏损失,而在基准数据集上并未出现显著的性能下降。
Jun, 2022
我们提出了一个新颖的 $UniDG$ 框架,用于 $ extbf {D}$ 应 $ extbf {G}$ 泛化,它能够显著提高基础模型的超出分布泛化性能,而无论它们的体系结构如何。UniDG 的核心思想是在推断阶段微调模型,从而节省了迭代训练的成本。具体来说,我们鼓励模型以无监督的方式学习测试数据的分布,并对模型参数的更新步骤施加惩罚。这个惩罚项可以有效地减少灾难性遗忘问题,因为我们希望尽可能地保留原始模型中的宝贵知识。根据实证,对于 12 个视觉骨干,包括卷积神经网络(CNN)、多层感知器(MLP)和 Transformer-based 模型,参数范围从 1.89M 到 303M 个,UniDG 在 DomainBed 上平均准确度提高了 + 5.4%。这些性能结果证明了 UniDG 的优越性和多功能性。代码公开可用于此网址。
Oct, 2023
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