Mar, 2023

简单的域泛化方法是开放域泛化的强基准

PDF
TL;DR该研究对现有的 DG（Domain Generalization）方法在 ODG（Open Domain Generalization）情况下进行综合评估，显示出两种简单的 DG 方法，CORrelation ALignment（CORAL）和 Maximum Mean Discrepancy（MMD），在多种情况下与 DAML 竞争力强，且简单 DG 方法的扩展也是 ODG 的较强基线。
open-set recognitiondomain generalizationopen domain generalizationmachine learningcoral
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

  • 领域泛化：一份调查报告

    本文综述了过去十年领域泛化方向的研究进展，包括领域泛化的定义，现有的方法和理论，并提供未来研究方向的见解和讨论。

    Mar, 2021

  • 单源开放域泛化学习的类别和领域增强

    单源开放域泛化 (SS-ODG) 通过在训练期间提供带标签的源域和在测试期间提供没有标签的新颖目标域来解决有监督的挑战。现有的技术主要集中于校准源域的分类器以识别目标域中的开放样本。然而，这些方法在对视觉细粒度的开放 - 闭合数据时往往出现错误分类的情况。为了克服这些限制，我们提出了一种名为 SODG-Net 的新颖框架，该框架使用基于学习的目标同时合成新颖域和生成伪开放样本，与文献中常见的临时混合策略形成对比。我们的方法通过使用新颖的度量标准增强了对已知类别样本样式的泛化能力，并生成了多样的伪开放样本，以训练能够处理开放和闭集数据的统一且自信的多类分类器。在多个基准测试中进行的大量实验评估一致表明了 SODG-Net 相对于文献的卓越性能。

    Nov, 2023

  • 可泛化的决策边界：对开集领域泛化进行的二元元学习

    本文提出了一种基于元学习的新型框架，即双重 MEta-learning with joint DomaIn-Class matching（MEDIC），该框架同时考虑了领域间和类别间的梯度匹配，以找到适用于所有任务的平衡边界，实验证明该方法不仅在开放集场景中优于以前的方法，同时还保持了有竞争力的闭集泛化能力。

    Aug, 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

  • 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

  • 通用单域推广的模态不可知去偏差

    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。

    Mar, 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

  • 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

  • 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