Jul, 2023

DISPEL：领域通用性通过领域特定的解放

PDF
TL;DR本文从识别不同的属性组作为领域共享或领域特有属性，提出了一个称为 DISPEL 的后处理微调方法，该方法可以过滤掉嵌入空间中未定义和无法区分的领域特有特征。DISPEL 框架高度灵活，可以应用于任何微调模型，实验结果在五个基准测试上表明 DISPEL 优于现有方法，并且可以进一步推广各种算法。
domain generalizationdomain-specific featuresdispelmask generatorgeneralization error bound
发现论文，激发创造
  • 在域内外泛化中平衡特异性和不变性的学习

    本研究提出了一种域特定掩码模型，旨在提高领域内和领域外的泛化性能，在 PACS 和 DomainNet 中实现与先前的方法竞争性能。

    Aug, 2020

  • 面向领域泛化的领域特定特征解缠

    我们提出了一种新的基于对比的解缠方法 CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行 DG 任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

    Oct, 2023

  • 利用领域特定特征增强领域泛化

    本文提出了一种新颖的理论框架 meta-Domain Specific-Domain Invariant（mDSDI），通过元学习框架优化是领域特定表示，并通过同时学习领域特定和领域不变特点，在潜在空间中区分特征，从而针对源域进行自适应，并在未知域上获得强大的泛化能力，实验证明这种方法在领域一般化中具有竞争力。

    Oct, 2021

  • 重新思考领域泛化：可辨别性与泛化能力

    域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过 Selective Channel Pruning 和 Micro-level Distribution Alignment 两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。

    Sep, 2023

  • 基于模型无关语义特征学习的域泛化

    研究域常规化问题及其解决方法，通过使用基于梯度的元训练和元测试过程，引入了两种补充损失来明确地规范特征空间的语义结构，从而取得了两个常见对象识别基准测试的最新效果。

    Oct, 2019

  • 通过分离虚假因素和增强潜在相关性学习可普遍适用的模型

    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

  • 跨领域集成蒸馏用于领域泛化

    本文提出了一种名为 XDED 的跨域集合蒸馏方法，通过学习域不变特征并鼓励模型收敛于平坦极小值来提高泛化能力，同时提出了解决任意目标域中样式连贯性的去风格化方法。该方法在交叉领域图像分类、跨数据集的 person re-ID 和语义分割中极大地提高了泛化能力，并且表明所学习的模型对抗攻击和图像破坏是鲁棒的。

    Nov, 2022

  • 领域通用化对领域相关类的应用

    该研究论文提出了一个公平且对比度特征空间正则化的算法，名为 FOND，旨在学习可以转移源领域知识的、用于表示在特定领域中仅存在的类的广义表示。实验结果表明该算法在提高特定领域类别的泛化表现上取得了最先进的效果，并提供了可行的数据增强实用技巧。

    Jun, 2023

  • INSURE：一种基于信息理论的解缠纠化域泛化模型

    本文提出了一种基于信息论思想的 INSURE 模型，旨在通过对潜在特征进行明确解耦来获取足够和紧凑的类相关特征，以实现对未见目标域的泛化。该模型在四个广泛使用的 DG 基准数据集上的实验证明了其优越性，并且实证表明领域特定的类相关特征对于领域泛化是有益的。

    Sep, 2023

  • 领域游戏：解开解剖特征以进行单一领域的广义分割

    我们提出了一个名为 “Domain Game” 的新框架，用于更好地分离医学图像分割中的诊断相关特征和领域特定特征，通过对特征空间中的特征集施加力来推动或排斥它们，在前列腺分割和脑肿瘤分割方面相较于次佳方法分别展示了约 11.8% 和约 10.5% 的性能提升。

    Jun, 2024