TDG: 文本引导的领域泛化
提出了一种文本引导的域泛化框架,用于增强人脸反欺诈技术的域泛化性能,通过文本信息进行跨域对齐,设计了多层次注意融合模块和文本增强视觉判别器,实现了更好的分类和域适应能力,并在极度有限的源域数据情况下展示了令人印象深刻的少样本性能。
Nov, 2023
本文提出了一种基于文本信息的显式对比学习机制,通过使用文本编码器特征来学习更强大的特征表示,以增强模型对数据的理解,从而在不同的分割任务中实现了更强大的性能。
Apr, 2024
提出一种名为 “动态域泛化”(DDG) 的新颖域泛化变体,其中模型学习扭曲网络参数以适应来自不同域的数据,并使用元调整器来扭曲网络参数,以便针对不同来源和目标域进行动态调整。通过使用 DomainMix 来模拟不同域的数据进行教学,以帮助元调整器适应未来的未知目标领域,无需经过训练即可实现模型的自适应调整,实验证明该方法的有效性。
May, 2022
我们提出了一种名为 Prompt-driven Latent Domain Generalization(PLDG)的新型无标签领域通用化(DG)框架,通过无监督领域发现和提示学习,实现了对医学图像分类的领域通用化,并在三个医学图像分类任务和一个去偏任务上展开了广泛实验,证明了我们的方法在不依赖领域标签的情况下实现了与传统 DG 算法相媲美甚至更好的性能。
Jan, 2024
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
该论文提出了 Domain-Free Domain Generalization (DFDG),一种模型无关的方法,通过学习领域不变的类别判别特征来实现更好的领域泛化性能,具体方法包括使用类别条件软标签来对齐样本的类别关系,使用显著性图来消除训练输入中的表面观察,并在时间序列传感器和图像分类的公共数据集上获得了具有竞争性的性能。
Feb, 2021
本研究提出了使用样式互补模块来增强模型的泛化能力,从而解决单域泛化中由于样本多样性有限而导致的泛化性能下降。通过在三个基准数据集上进行大量实验,结果表明本方法优于现有的单域泛化方法,最高提升了 25.14%。
Aug, 2021
本文提出了一种基于自然语言监督的跨模态领域泛化方法,利用视觉和文本交互的表征来实现高级别类别判别的信息融合,并使用可解释的模型来生成解释,从而提高模型的泛化能力和性能。作者的方法在多个数据集上均取得了最新领先的结果。
Jul, 2022
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