MMAug, 2022

基于语义数据增强的距离度量学习用于领域泛化

PDF
TL;DR该论文研究了如何通过采用特征空间中的隐式语义增强来提高模型的泛化性能，并将距离度量学习（DML）的额外损失函数和无限增强的交叉熵损失的 logits 作为 DML 损失的输入特征。实验表明，该方法在 Digits-DG、PACS 和 Office-Home 三个基准测试数据集上可以实现最先进的性能水平。
domain generalizationdistance metric learningimplicit semantic augmentationlogitsstate-of-the-art performance
发现论文，激发创造
  • 领域增强元学习的开放域泛化

    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

  • 通过逻辑回归归因匹配实现对比领域泛化

    本文通过引入 Contrastive Domain Generalization（CDG）方法，探究以强对比数据对中的语义不变性来进行域泛化的方法，并提出了一种名为 Logit Attribution Matching（LAM）的正则化技术来实现 CDG，实验结果表明 LAM 的性能优于现有的 DG 方法，并帮助模型更好地聚焦于语义特征，这对于域泛化至关重要。

    May, 2023

  • 因果灵感的隐变量增强单域泛化

    通过基于因果学习和干预的方法，我们提出了一种新颖的因果启发潜在特征增强方法，用于单域泛化，我们可以生成多样的隐式特征级变换，在潜在空间中更好地补偿对初始有限图像级变换的依赖，捕捉更稳定的领域不变因果特征以实现泛化。

    Jun, 2024

  • 用于单源域泛化的 CNN 特征图增强

    本文提出了一种基于卷积神经网络的交叉域泛化图像分类方法，通过 Augmentation Layer 增强 CNN 的中间特征图以提高模型在跨域数据上的泛化能力，实验结果表明本方法在 PACS、VLCS、Office-Home 和 TerraIncognita 等数据集上表现优异。

    May, 2023

  • MADG：基于边界的领域泛化对抗学习

    提出了一种基于边界损失的领域一般化方法（MADG 算法），该算法通过培训过程中的对抗性学习和学习域不变特征来有效地泛化到看不见的目标域，同时通过边界损失和 Rademacher 复杂性进行理论分析，实验证明在各种真实 DG 数据集的基准测试上表现一致。

    Nov, 2023

  • 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

  • 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

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 半监督元学习实现领域泛化

    本文提出了一种称为 DGSML 的方法，它结合了元学习的情节训练和半监督学习，利用基于熵的伪标签方法为无标签样本分配标签，并利用新的差异性损失和对齐损失实现域不变表示的学习，进而提高领域泛化能力。实验结果表明，DGSML 优于现有领域泛化和半监督方法。

    Sep, 2020

  • 通过分离虚假因素和增强潜在相关性学习可普遍适用的模型

    通过从样本和特征角度出发，强调相关联系并消除不相关联系，我们提出了两个模块，用于提高模型的泛化能力，从而获得跨多个领域的领域不变表示，实验结果表明，嵌入这两个模块的卷积神经网络（CNNs）或多层感知机（MLPs）能够取得优秀的结果，例如在 Digits-DG 上的平均准确率为 92.30%。

    Jan, 2024