CVPRApr, 2023

单域泛化的渐进式随机卷积

PDF
TL;DR研究提出了一种逐渐堆叠具有小卷积核的随机卷积层的渐进式方法来解决 RandConv 结构的局限性， 并将基本随机卷积层开发成一个包括可变形偏移和仿射变换的随机卷积块，以支持纹理和对比度的多样化。该策略在单一领域泛化基准测试中表现优异。
single domain generalizationimage augmentationrandom convolutionsprogressive random convolutionconvolution layer
发现论文，激发创造
  • 通过随机卷积实现强健和可泛化的视觉表示学习

    本文研究证明，数据增强中使用多尺度的随机卷积来增加数据集的多样性，可以显著提高神经网络的鲁棒性和泛化性能，特别是在图片领域的常见深度学习挑战中，描述如何将其应用于各种深度学习模型上。

    Jul, 2020

  • 通过图像风格化实现简单的域泛化

    该论文介绍了使用样式化图像来增强数据集中的偏见纠正方法，以达到在不同领域中进行分类的目的。他们提供了一种基于领域内的纯样式化图像的方法，并通过详细的分析证实了该方法的机制，结果超过或与使用更复杂的方法的现有技术相当。

    Jun, 2020

  • 混合样式领域泛化

    本研究介绍了一种新的基于概率混合实例级别特征统计的域泛化方法 MixStyle 来提高卷积神经网络模型的泛化性能，该方法着眼于图像风格与视觉域之间的关联关系，并将其应用于 CNN 的底层进行数据增广，既可用于分类任务还可应用于实例检索和强化学习等任务。

    Apr, 2021

  • 基于归一化互相关卷积的单域泛化

    本文探讨了一种名为 XCNorm 的线性算子，该算子使用权重和输入特征图之间的归一化交叉相关来提高深度神经网络的鲁棒性，在单域通用基准测试中表现出与最先进方法相当的性能。

    Jul, 2023

  • 基于渐进式领域扩展的单领域泛化网络

    本文提出了一种新的学习框架，名为渐进域扩展网络（PDEN），用于单域泛化。该方法通过扩展训练域的覆盖范围来学习跨域不变表示，并使用对应的对策提高了应用实践中的泛化性能。PDEN 表现出与现有最先进单域泛化方法相比高达 15.28% 的改进。

    Mar, 2021

  • 动态区域感知卷积

    提出了一种名为 DRConv 的动态区域感知卷积，它可以自动将多个过滤器分配给具有相似表示的相应空间区域，以更有效处理复杂和不同的空间信息分布，从而代替任何现有网络中的标准卷积，尤其适用于高效网络中的动力卷积层。在 ImageNet 分类中，DRConv-based ShuffleNetV2-0.5x 在 46M 乘积添加水平下实现了 67.1% 的最新性能，相对改进了 6.3%。

    Mar, 2020

  • 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

  • 领域 Mixup 在异构域泛化中的应用

    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

  • 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

  • 通过随机化减轻对抗性影响

    本文提出利用随机化在推理时间解决对抗性样本攻击的问题，采用随机的大小和填充来进行防御，现在已经成为一种非常有效的方法，公开代码可用。

    Nov, 2017