Jul, 2023

增强颜色以外的特征以进行域泛化分割

PDF
TL;DR本文提出了一种基于随机图像颜色增强和特征空间分布增强的域通用语义分割方法，通过对图像或特征进行性质适应性调整来增广数据集，从而提高模型的泛化性能。实验结果表明，该方法在现有方法中表现最佳。
domain generalized semantic segmentationdata augmentationmodel generalizationrandom image color augmentationrandom feature distribution augmentation
发现论文，激发创造
  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • 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

  • 跨领域生成增量：潜在扩散模型的领域泛化

    通过将点对点核估计替换为域对邻域的新密度估计，以进一步减小域间的差距，我们提出一种名为跨域生成增强（CDGA）的新型数据增强方法，它基于潜在扩散模型（LDM），生成填充所有域之间差距的合成图像，并减小非独立同分布性。我们展示了 CDGA 在 Domainbed 基准测试中优于最先进的域泛化方法。为了解释 CDGA 的有效性，我们生成了超过 500 万个合成图像，并进行了广泛的剔除研究，包括数据缩放规律、分布可视化、域间偏移量量化、对抗鲁棒性和损失函数分析。

    Dec, 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

  • 深度领域泛化的多组分图像转换

    通过生成对抗网络生成的合成数据和应用 DA 方法到 DG 场景的协议，作者提出了两种方法来解决领域泛化挑战，并在四个跨领域基准数据集上进行了大量实验。实验结果表明，所提出的模型在 DG 方面优于当前最先进的方法。

    Dec, 2018

  • 基于协作的领域泛化语义分割的基础模型

    使用 CoLlaborative FOUndation 模型组合来进行域泛化语义分割，通过集成不同类型特征模型实现内容多样性和预测优化，从而在适应各种目标分布并在不同天气条件下从合成到实际场景的域泛化语义分割基准中表现出色。

    Dec, 2023

  • SSL-DG: 对医疗图像分割中的半监督学习和领域泛化进行反思和融合

    通过联合使用半监督学习与领域泛化方法，提出了 SSL-DG，实现了在有限标注数据下的跨域泛化效果，并在两个具有挑战性的领域泛化任务中显著优于现有方法。

    Nov, 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

  • DoubleAUG：基于颜色扰动和双样式记忆的城市单领域通用目标检测器

    本文提出了一种新颖的 DoubleAUG 方法，它包括图像级和特征级增强方案，旨在解决城市场景中单域泛化目标检测任务，即在不同天气条件下训练的模型能够在任何其他天气条件下表现良好。通过大量实验证明我们提出的方法优于现有方法，并且消融研究证实了我们方法中每个模块的有效性。此外，我们的方法可以与现有方法集成，进一步提高模型性能。

    Nov, 2023