WildNet:从野外学习领域通用的语义分割
本文提出了一个 WEb-image assisted Domain GEneralization (WEDGE) 方案,利用网络爬取的数据集进行语义分割的域泛化,将网络爬取的数据代表的样式表达引入源域,通过有效训练使网络经历不同风格的图像,通过使用带有伪标签的网络爬取数据集训练可以进一步提高网络的能力,并通过广泛的实验表明,该方法明显优于现有的域泛化技术。
Sep, 2021
本文提出一种框架,包括两个新模块:Semantic-Aware Normalization(SAN)和 Semantic-Aware Whitening(SAW),用于域通用语义分割,该模型训练为域不变而不使用任何目标域数据,并且验证结果显示,该模型在各种 backbone 网络上均优于现有的最先进性能。
Apr, 2022
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
本文提出了一种新颖的域泛化框架,通过模拟域转化问题与数据分布差异之间的关系以增强模型的泛化能力,从训练策略和测试策略两个不同视角来增强模型的泛化能力。实验证明,该方法在多个基准细分数据集上都取得了最新的前沿成果。
Mar, 2020
本文提出了一种新型的实例选择性白化损失函数,以改善用于未见过领域的分割网络的鲁棒性;通过去除域移位的根源性样式信息,提高神经网络对视觉场景的泛化能力,实现在城市场景分割方面的卓越表现。
Mar, 2021
该论文提出了一种基于元学习框架的新型记忆引导域泛化方法,该方法抽象了语义类别的概念知识,并通过训练多次来学习如何记忆无域和不同的类别信息,并提供外部固定的记忆作为类别指导,以减少任意未见域的测试数据中表示不确定性。通过语义分割的广泛实验,证明了我们的方法在各种基准上具有卓越的泛化能力。
Apr, 2022
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
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
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。
Apr, 2021
通过引入多个特定于源域的分类器,利用预测目标样本属于每个源域的概率进行最优融合,并引入一个域不可知组件来支持最终分类器,我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。
Jun, 2018