Jun, 2022

域泛化的难点在哪里？

PDF
TL;DR该研究提出了一种基于语义的跨领域泛化基准（SemanticDG），并使用这个基准探索了在材料、视角等不同领域转移时的影响，通过提出一种上下文感知的视觉转换器，改进了现有领域泛化算法，实现了 18% 以上的性能提升，最终成功解决了领域泛化任务存在的挑战。
semantic domain generalizationbenchmarkviewpoint changesmaterial changescontext-aware vision transformer
发现论文，激发创造
  • 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

  • 面向目标的规范化通用模型无关语义分割

    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

  • 用数量化的领域转移度量和合成场景图像落地风格领域泛化

    在这篇论文中，我们介绍了一种新的领域综合范式，该方法通过提取领域不变特征来解决机器学习中的领域泛化问题，并引入了两个新的定量衡量标准 ICV 和 IDD 来描述风格领域的变化，同时提出了 SuperMarioDomains（SMD）这一新的合成多领域数据集，为 DG 方法 SMOS 的训练提供了预备模型，最终取得了在五个 DG 基准测试上的最新成果，对于抽象领域的性能大幅提升，并在逼真领域上保持相当水平或稍有改善。

    May, 2024

  • 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

  • 对抗网络调整的场景生成

    该研究的目的是通过将生成模型的虚拟数据迭代地逼近真实世界的数据分布，提高计算机视觉系统训练的泛化性能，该方法通过对生成图形模型的参数先验分布进行后验密度估计，结合生成对抗训练，提高了交通场景语义标注任务的性能。

    Jan, 2017

  • 面向语义分割领域自适应的语义感知图像翻译

    该论文探讨了解决语义分割领域中的域适应问题，提出了基于生成模型和像素级域对齐的方法，通过实验表明其在解决合成数据到真实场景的语义分割问题上的优越性。

    Sep, 2020

  • 3D 物体检测的领域泛化：密度重采样

    我们提出了一种单域泛化多任务学习方法，通过引入新颖的数据增强方法和多任务学习策略，改进了 3D 物体检测的泛化性能，并提出了首个用于 3D 物体检测领域泛化的测试时适应方法。

    Nov, 2023

  • 语义感知渐进式生成对抗网络（Grad-GAN）用于虚拟到真实城市场景的适应性

    本文提出了一种新的基于 SG-GAN 的虚拟到现实领域自适应方法，可以有效地保留关键语义信息以实现更好的识别。实验证明，与现有 GAN 相比，SG-GAN 在场景自适应方面具有更好的性能，使用 SG-GAN 适应的虚拟图像在语义分割上比原始虚拟数据明显提高。

    Jan, 2018

  • 利用合成数据进行学习：解决语义分割的领域偏移问题

    该研究提出了一种基于生成对抗网络（GANs）的新方法，以改进分割网络所学到的表示在合成和真实领域中的自适应，证明了其具有广泛性和可扩展性。

    Nov, 2017

  • 多尺度和多层次对比学习用于领域泛化

    通过结合多层和多尺度的特征，利用深度卷积神经网络来提高图像分类器的领域泛化能力，并提出了一种新颖的目标函数，使用对比学习的方法约束提取的特征在分布转移下保持不变，实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。

    Aug, 2023