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

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

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

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

本研究提出了利用深度神经网络的多源域泛化技术，通过引入特定于各个领域的优化归一化层。在每个域中，根据多个归一化统计的加权平均值对激活值进行归一化处理。并且在实现中使用批和实例归一化，以确定这两种归一化方法的最佳组合，优化学习模型的通用性。本方法在标准域泛化基准测试中展示了当前最高的准确率，同时适用于诸如多源领域适应和带有标签噪声的域泛化等进一步的任务。

Jul, 2019

本研究提出了一种基于 CCSDG 模型的医学图像分割方法，该模型使用浅层特征和样式增强的对应图像进行对比训练，从而实现了对通道级特征的解缠结和结构特征的分离，取得了比基准模型和其他所有竞争方法更好的效果。

Jun, 2023

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

本文主要研究基于深度神经网络的方法在训练数据与测试数据分布不一致时的性能问题，并通过学习训练样本的权重以消除特征之间的依赖关系，从而提高深度模型的性能。通过在多个分布泛化基准测试上的实验，与同类研究相比，我们的方法取得了很好的效果。

Apr, 2021

医学数据在分布上经常发生变化，这会导致采用标准监督学习流程训练的深度学习模型在测试时性能下降。本研究介绍了一种新的医学图像分类的单域泛化方法，它利用了通道间的对比解缠绕，并通过基于重构的样式正则化进一步增强了独立的样式和结构特征表示的提取。我们将该方法在多中心组织病理图像分类的复杂任务上进行了评估，与最先进的单域泛化基线进行了比较。结果表明，我们的方法在平均准确率上超过了最先进的方法 1％，同时表现更稳定，突显了在分类任务背景下探索单域泛化框架的重要性和挑战。

Mar, 2024