单域泛化的新型交叉扰动

Aug, 2023

A Novel Cross-Perturbation for Single Domain Generalization

Dongjia Zhao, Lei Qi, Xiao Shi, Yinghuan Shi, Xin Geng

TL;DR单域广义化通过在单个源域上训练以提高模型对未知域的泛化能力，然而，有限的训练数据多样性影响了域不变特征的学习，导致泛化性能下降。为了解决这个问题，我们提出了一种名为 CPerb 的简单而有效的跨扰动方法，该方法利用水平和垂直操作来增强训练数据的多样性，从不同角度学习具有相同语义类别样本的多路扰动，并引入一种名为 MixPatch 的新型特征级扰动方法来进一步增加训练数据的多样性。在各种基准数据集上的广泛实验证明了我们方法的有效性。

Abstract

single domain generalization aims to enhance the ability of the model to generalize to unknown domains when trained on a single source domain. However, the limited diversity in the training data hampers the learning of domain-invariant features, resulting in compromised generalization

single domain generalization data perturbation cperb cross-perturbation mixpatch

发现论文，激发创造

跨领域一致特征扰动

通过在潜在空间中生成被干扰的特征并对模型预测进行领域转移的正则化来模拟领域转移的在线一阶交叉对比特征扰动（Cross Contrasting Feature Perturbation）框架引入的模块与语义一致性约束设计和学习特征扰动的，无需生成模型或领域标签的方法能够在分布不同的场景中缓解领域转移问题。

Jul, 2023

通过交叉梯度训练实现领域间泛化

CROSSGRAD 是一种使用多领域培训数据跨域泛化的方法，并且不需要适应阶段，使用基于领域引导扰动的数据增强，可以更好地泛化并提供比领域对抗训练更稳定和准确的方法。

Apr, 2018

跨领域特征增强的域泛化

领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性，数据增强被广泛用于学习不变的预测模型，其中大多数方法在输入空间进行增强。然而，输入空间的增强的多样性有限，而特征空间的增强更加灵活且显示了有希望的结果。然而，特征语义很少被考虑，现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法，使我们能够增加样本的多样性，同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。

May, 2024

对抗扰动的跨域可转移性

本研究首次证明存在领域不变的对抗性攻击，提出了一个用于在不同领域中高度转移的攻击框架，核心是一个可生成网络，具有相对论监督信号，能够实现领域不变的扰动。该方法在白盒和黑盒情况下均创新了欺骗率的最佳性能，并且尽管它是一个无实例特定扰动的函数，但优于传统上更强的实例特定攻击方法。

May, 2019

面向域泛化的随机对抗样式扰动

提出了一种新颖的领域泛化技术，随机对抗样式扰动（RASP），该算法通过扰动特征的样式来捕捉每个领域的特征统计信息，并通过特征混合增强学习源域的知识，以提高领域泛化能力，尤其是在大规模基准测试中

Apr, 2023

因果灵感的隐变量增强单域泛化

通过基于因果学习和干预的方法，我们提出了一种新颖的因果启发潜在特征增强方法，用于单域泛化，我们可以生成多样的隐式特征级变换，在潜在空间中更好地补偿对初始有限图像级变换的依赖，捕捉更稳定的领域不变因果特征以实现泛化。

Jun, 2024

虹膜呈现攻击检测的单域动态泛化

本文提出了一种单一域动态泛化框架，它能够在每个样本基础上同时利用领域不变特征和领域特定特征，并通过信息最大化损失和元学习的模式使网络能够泛化到各种未知领域中，在 LivDet-Iris 2017 数据集上取得了最佳效果。

May, 2023

基于归一化互相关卷积的单域泛化

本文探讨了一种名为 XCNorm 的线性算子，该算子使用权重和输入特征图之间的归一化交叉相关来提高深度神经网络的鲁棒性，在单域通用基准测试中表现出与最先进方法相当的性能。

Jul, 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

特征评论家网络用于异构域通用化

该论文提出一种学会学习的方法，通过学习辅助损失本身来提高模型的泛化能力，进而应用于领域推广的问题，包括传统领域推广和异构域推广。实验结果表明，该方法在两种情况下优于现有的解决方案。

Jan, 2019