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 →

发现论文，激发创造

学习为数据增强编写领域特定变换

利用生成对抗算法学习序列模型来自动生成数据增强方法，有效提高图片和文本数据集的识别准确度。

Sep, 2017

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

对抗性特征增强用于无监督域适应

本研究使用生成对抗网络（GANs）的目标函数来学习与源数据集不可区分的目标特征，并将其扩展到强制学习通过特征增强在特征空间进行培训的无监督域自适应任务。结果表明，强制进行域不变性和执行特征增强可以导致几个无监督域适应基准测试的优秀或相当的性能。

Nov, 2017

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

学习单域通用性

本篇文章介绍了一种名为对抗域增强的方法，用于在单一训练域情况下提高模型的泛化性能，通过使用元学习方案和WAE来松弛最坏情况限制，并在多个基准数据集上广泛实验，验证了该方法对于缓解单一域泛化问题的优越表现。

Mar, 2020

数据增强的潜力：领域泛化的视角

探索数据增强提高模型泛化效果的方法，从领域泛化的角度出发，揭示目前最先进数据增强方法的局限性，并探讨优化方法。结果表明，即使使用最好的数据增强技术，在训练时使用的扭曲操作也不能提供足够的鲁棒性，这表明了增强示例的未被开发的潜力。

Jul, 2020

医学图像分割所需的对抗强度攻击的域泛化

本文提出一种名为 Adversarial Intensity Attack (AdverIN) 的与领域无关的方法，通过对抗性训练生成具有无限风格的训练数据，以增加数据多样性并提高分割模型的泛化能力，尤其适用于医学图像领域的多域分割数据集。

Apr, 2023

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

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

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