用于单源域泛化的 CNN 特征图增强
通过引入多个特定于源域的分类器,利用预测目标样本属于每个源域的概率进行最优融合,并引入一个域不可知组件来支持最终分类器,我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。
Jun, 2018
通过从样本和特征角度出发,强调相关联系并消除不相关联系,我们提出了两个模块,用于提高模型的泛化能力,从而获得跨多个领域的领域不变表示,实验结果表明,嵌入这两个模块的卷积神经网络(CNNs)或多层感知机(MLPs)能够取得优秀的结果,例如在 Digits-DG 上的平均准确率为 92.30%。
Jan, 2024
通过基于因果学习和干预的方法,我们提出了一种新颖的因果启发潜在特征增强方法,用于单域泛化,我们可以生成多样的隐式特征级变换,在潜在空间中更好地补偿对初始有限图像级变换的依赖,捕捉更稳定的领域不变因果特征以实现泛化。
Jun, 2024
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
本研究提出了一种新的域通用泛化(DG)解决方案,将其重新构建为域之间的凸博弈,以及使用基于超模的正则化项来鼓励每个多样化的域增强模型泛化能力,并构造一个样本筛选器来消除低质量样本的影响, 从而证明我们的方法的合理性和有效性。
Mar, 2023
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
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
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
本文研究医疗图像处理中深度学习模型的单源域泛化问题,并针对不同采集过程引起的域偏移提出基于因果关系的数据增强方法,包括随机权重浅网络和因果干预方式。该方法在跨域分割任务中得到了验证并取得了较高的泛化性能。
Nov, 2021
本文旨在解决域适应问题,提出训练方法和策略,包括将深度神经网络分为特征提取器和分类器、使用伙伴交互训练方法、训练新问题的稳健性特征。新方法在三个域泛化基准下表现出最先进的性能,还表明该方法有助于计算机视觉中的标准方法。
Jan, 2019