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
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
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
提出了一种基于 Attention Diversification 的新框架,以提高卷积神经网络在不同领域中的表现,并在多个基准测试中取得了最先进的表现。
Oct, 2022
本文提出了一种使用深度神经网络应用视觉注意力于细粒度分类任务的新管道,通过整合三种类型的注意力,训练领域特定的深度网络,在弱监督约束下避免使用昂贵的注释,并在 ILSVRC2012 数据集和 CUB200_2011 数据集的子集上验证了该方法的有效性,取得了与其他方法相竞争的表现。
Nov, 2014
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
采用引导自我关注机制的卷积神经网络模型对医学图像进行语义分割,能够更好地捕捉图像中的上下文依赖关系,去除冗余的信息提取并集成本地特征和全局依赖,强调相关特征关联,从而取得更好的分割效果。
Jun, 2019
本文提出了一种基于深度卷积神经网络的领域自适应方法,在自动发现图像数据集中的潜在领域并利用此信息来学习鲁棒的目标分类器方面取得了显著优于现有方法的结果,其中引入了两个主要组件,一个是自动计算源样本分配到潜在领域的支路,另一个是利用领域成员信息对齐 CNN 内部特征表示分布的新型图层。
May, 2018
通过使用 DNN 验证技术,我们引入了一种新的方法来识别具有稳健泛化能力的 DNN 决策规则,并在真实世界环境中进行了广泛评估,为部署 DNN 驱动系统提供了新的验证目标。
Jun, 2024
本研究阐明不同医院数据库之间存在的领域泛化问题,并提出一种在深度神经网络架构中利用提取的信息和捕捉信号基础结构的方法,用于对 12 导联心电图进行异常分类。我们采用 ResNet-18 作为骨干模型,并从网络的多个中间卷积层中提取特征。通过在四个来源的公开可用心电图数据集上进行训练和评估,我们的方法在大多数情况下超过了基线。
Aug, 2022