CVPRMar, 2023

通用单域推广的模态不可知去偏差

PDF
TL;DR提出了一种适用于多种不同模态的深度神经网络的单一领域通用性（single-DG）算法，称之为 Modality-Agnostic Debiasing (MAD)，它采用一个新颖的双分支分类器，一支专注于识别特定领域的表层特征，另一个则利用来自前一支的知识来捕获领域通用（语义）特征，在多种领域通用任务中取得了极高的效果。
deep neural networkssingle domain generalizationmodality-agnostic debiasingdomain-generalized featuresmulti-source domain generalization
发现论文，激发创造
  • 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

  • SimMMDG: 一个简单而有效的多模态领域泛化框架

    通过在多模态情境中将特征分为模态特定和模态共享组件，并运用监督对比学习对模态共享特征施加距离约束，以促进多样性，并引入跨模态转换模块来规范学习特征，以达到领域泛化的目标。

    Oct, 2023

  • 基于元学习的交叉领域验证的判别式对抗领域泛化

    本文提出基于元学习的 Discriminative Adversarial Domain Generalization（DADG）框架来改善机器学习模型的泛化能力，包括学习一般化的特征表示和分类器，在三个基准数据集的对比中，DADG 始终优于基线 DeepAll，并在大多数评估情况下优于其他现有的领域泛化算法。

    Nov, 2020

  • 神经网络失去了泛化能力？一个模型敏感性的视角

    本文提出了一种针对 Single Domain Generalization 的新策略 ——Spectral Adversarial Data Augmentation，通过提高模型对高敏感频率的学习能力，从而有效提高模型的泛化能力，各项实验均超过目前 Single-DG 方法的最佳表现。

    Dec, 2022

  • 多频率多尺度注意力下的领域通用医学图像分割

    为了解决深度学习方法在医学图像分割中常常忽视频率变异和多任务学习中信息丢失的问题，本研究提出了一种适用于医学图像分割的无模态域泛化网络 (MADGNet)。通过引入多频率和多尺度特征的 Multi-Frequency in Multi-Scale Attention (MFMSA) 块以及用于减轻多任务学习中的信息损失的 Ensemble Sub-Decoding Module (E-SDM)，MADGNet 成功提升了医学图像分割的性能并展现了优异的多模态分割表现。

    May, 2024

  • 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

  • 多重对抗领域适应

    本文提出一种多重对抗领域自适应方法 (MADA)，能够捕获多模态结构，利用多个领域判别器实现不同数据分布的精细对齐，利用随机梯度下降计算梯度，证据表明该模型在标准领域自适应数据集上优于现有最先进方法。

    Sep, 2018

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    Dec, 2023

  • 多视角对抗鉴别器：在未见域中挖掘非因果因素进行物体检测

    该研究提出了一个 Multi-view Adversarial Discriminator（MAD）模型，利用多视图对源域进行对抗训练，去除非因果因素并净化域不变特征，提高对象检测模型的 domain generalization 性能。

    Apr, 2023

  • 基于语义数据增强的距离度量学习用于领域泛化

    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。

    Aug, 2022