本文提出了一种针对领域泛化问题的替代神经网络结构，该结构可以关注卷积神经网络的多个层次，利用可训练的注意机制来实现鲁棒的数据分类，同时在已有的四项领域通用基准测试中表现良好。

Apr, 2023

针对深度卷积神经网络的广义性能力不足的问题，提出了一种混合多个来源域的样本的新型异构域泛化方法，通过 Visual Decathlon 基准实验验证了方法的有效性。

Sep, 2020

通过从源领域训练，视频领域泛化旨在为未见过的目标领域学习具有普适性的视频分类模型。克服视频领域泛化的一个关键挑战是在识别目标视频时，抵制对来自源领域的特定于领域的线索的过度依赖。为此，我们提出了一种名为 “时空多样化网络（STDN）” 的新模型，该模型旨在感知视频中多样化的时空线索，以发现除特定于领域的线索之外的潜在的领域不变线索。首先，我们的 STDN 提出通过空间分组在单个帧中发现各种类型的空间线索。然后，我们的 STDN 提出通过空间 - 时间关系建模在多个空间 - 时间尺度上显式地建模视频内容之间的空间 - 时间依赖关系。对三个不同类型的基准测试进行的大量实验证明了我们方法的有效性和通用性。

Oct, 2023

本研究提出了一种基于多领域共同学习的新型网络 ——DKPNet，利用 VA 技术来显式地建模不同领域之间的注意分布，以及 InVA 技术来解决领域和子领域重叠的问题，并在 ShanghaiTech、UCF-QNRF 和 NWPU 等多个数据集上验证了其优越性。

Aug, 2021

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

本文提出使用 Modulation Adapters 进行卷积滤波器权重更新的方法，从而在多领域的图像分类任务中取得了比现有最先进方法更好或相当的效果。

Jul, 2023

该论文提出了一种基于注意力机制的人员重新识别方法，通过整合注意力模块和多样性正则化约束，学习具有代表性、鲁棒性和更具区分力的特征表达，并通过实验表明提出的方法优于现有的最先进方法。

Aug, 2019

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

提出一个新的框架，通过学习过程将分类判别的注意力作为其中的一个基本部分，实现对注意力的分离和跨层一致性控制，有效地提高了图像分类的准确度，包括提高了 CIFAR-100 (+3.33%)、Caltech-256 (+1.64%)、ILSVRC2012 (+0.92%)、CUB-200-2011 (+4.8%) 和 PASCAL VOC2012 (+5.73%) 等基准数据集的分类准确度。

Nov, 2018

本文提出了一种名为‘Trap of Mediocrity’的机制，并引入了一种基于结构透明的注意力正则化损失函数，能够有效地提高生成文本的多样性和新颖性，同时维持着在各种有条件和无条件的生成任务中相当的质量。

Nov, 2022