单源领域泛化的敌对贝叶斯增强

Jul, 2023

Adversarial Bayesian Augmentation for Single-Source Domain Generalization

Sheng Cheng, Tejas Gokhale, Yezhou Yang

TL;DR提出 Adversarial Bayesian Augmentation（ABA）算法，该算法利用对抗学习和贝叶斯神经网络生成多样化的数据增强，以解决领域泛化中缺乏多样训练数据、目标数据不可访问和领域偏移等问题，通过在多种领域上生成合成图像域，帮助分类器在未见到的领域中泛化。在包括样式偏移、子人群偏移和医学图像处理等多种领域偏移情况下，ABA 超越了所有以往的最先进方法，包括预先指定的增强、基于像素和卷积的增强技术。

Abstract

Generalizing to unseen image domains is a challenging problem primarily due to the lack of diverse training data, inaccessible target data, and the large domain shift that may exist in many real-world settings. As such data augmentation is a critical component of domain generalization

domain generalization data augmentation adversarial learning bayesian neural networks shift in medical imaging

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

通过对抗数据增强方法泛化到未见领域

该篇研究论文提出了一个基于循环迭代的数据增强方法，使用虚构的目标领域中存在 “困难” 样本的数据来训练学习模型，以在先前未知的目标领域上实现更好的一般化表现。该方法利用对抗性示例以及数据依赖正则化来提高模型性能。

May, 2018

对抗样式增强用于领域泛化城市场景分割

本文提出 Adversarial Style Augmentation 方法来解决语义分割中的领域通用性问题，其通过在训练过程中动态生成样式强化的图像，以有效地避免模型过度拟合于源域，并且在两个合成 - 真实语义分割基准测试数据集上进行实验，结果显示 Adversarial Style Augmentation 可以显着提高模型在未见真实域上的性能。

Jul, 2022

预测你将学到什么：非平稳环境下领域泛化的数据增强

本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。

Jan, 2023

AdvST: 重访单领域泛化的数据增强

使用可学习参数的语义转换的敌对学习（AdvST）通过对源领域数据进行语义转换增强并学习鲁邦岛移情据从而优化在语义分布上定义的分布鲁邦岛优化目标。与现有方法相比，AdvST 具有竞争力且在 Digits，PACS 和 DomainNet 数据集上获得最佳的平均单域类比性能。

Dec, 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

领域对抗深度图像生成用于领域泛化

本文介绍了一种基于深度生成对抗网络的领域泛化方法，通过生成新的数据使学习模型适应未知的测试领域，从而提高模型的准确性和鲁棒性。

Mar, 2020

针对阅读理解中的领域和跨语言通用性进行的对抗增强策略搜索

本文研究了如何通过自动化数据增强和提出多种 QA 攻击来增强阅读理解模型的鲁棒性，同时提高其在源域、新领域和不同语言中的泛化性能。结果表明，采用学习的增强策略可以显著提高模型在各种领域和语言中的性能。

Apr, 2020

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

贝叶斯数据增强方法用于深度模型学习

提出了一种基于贝叶斯公式，利用广义蒙特卡洛期望最大化算法和生成对抗网络的方法，能更好地生成新的标注训练样本，并在 MNIST，CIFAR-10 和 CIFAR-100 的数据集中取得了优于现有数据增强方法和 GAN 模型的分类结果。

Oct, 2017