ECCVMar, 2022

使用预训练模型的互信息正则化实现领域泛化

PDF
TL;DR使用 mutual information regularization 和 oracle 模型，通过一个预训练模型推导了一个可行的变分下界，证明在缩放实验中，预训练模型的规模越大，MIRO 的性能改善越好。
domain generalizationmutual information regularization with oraclepre-trained modelout-of-distribution performancescaling experiments
发现论文，激发创造
  • 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

  • DGM-DR：具有互信息约束的糖尿病视网膜病变分类的领域泛化

    通过最大化预训练模型的互信息来重新建立目标函数，以解决领域转移在医学成像领域的问题，并在糖尿病视网膜病变分类中得到了稳定且优于先前最先进方法的结果。

    Sep, 2023

  • 角度不变性视角下的领域泛化

    本文提出了一种利用神经网络实现特征提取的领域通用方法，即 Angular Invariance Domain Generalization Network（AIDGN），基于这种方法，我们通过 von-Mises Fisher（vMF）混合模型开发了优化目标，并在多个基准数据集上进行了广泛的实验验证。

    Oct, 2022

  • 利用领域特定特征增强领域泛化

    本文提出了一种新颖的理论框架 meta-Domain Specific-Domain Invariant（mDSDI），通过元学习框架优化是领域特定表示，并通过同时学习领域特定和领域不变特点，在潜在空间中区分特征，从而针对源域进行自适应，并在未知域上获得强大的泛化能力，实验证明这种方法在领域一般化中具有竞争力。

    Oct, 2021

  • 大规模预训练先验指导的领域泛化

    通过在领域一般化算法的微调过程中利用预训练模型，我们提出了一种新的微调方法，该方法称为 “用大规模预训练先验进行微调（FT-LP）”，在多个数据集和领域一般化模型上的实验证明了其显著改进和有效性。

    Jun, 2024

  • 重新思考多领域泛化问题：通用学习目标

    多领域泛化的研究旨在最小化训练和测试分布之间的差异，以增强边缘到标签分布映射，本论文提出利用 Y 映射来放松约束，重新思考多领域泛化的学习目标并设计了一个新的通用学习目标，揭示了之前的多领域泛化研究仅部分优化了目标导致了有限性能的问题，该研究提取出四个实际组成部分，提供了处理复杂领域转移的一种通用、强大和灵活的机制。

    Feb, 2024

  • 边缘传递学习实现域泛化

    提出了领域泛化问题的形式框架，主要是在标记的训练集数据来自于几个相关的预测问题的情况下，通过扩充原特征空间来增加特征向量的边际分布，以期在未知的未标记数据集上获得精确的预测。针对核方法，提供了更多的定量结果和通用一致的算法，并在一个合成和三个真实世界的数据集上做了实验比较.

    Nov, 2017

  • 多领域判别分析实现领域泛化

    本文提出了一种多领域判别分析方法 (MDA) 来处理分类任务中的域泛化问题，通过学习一个域不变的特征变换，旨在实现每个类别之间领域的最小差异、类别之间最大可分性以及整体最大紧凑性，在学习理论分析中提供了过度风险和泛化误差的限制，通过对合成数据集和真实基准数据集的全面实验，证明了 MDA 的有效性。

    Jul, 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

  • 领域通用化对领域相关类的应用

    该研究论文提出了一个公平且对比度特征空间正则化的算法，名为 FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

    Jun, 2023