Aug, 2023

多尺度和多层次对比学习用于领域泛化

PDF
TL;DR通过结合多层和多尺度的特征，利用深度卷积神经网络来提高图像分类器的领域泛化能力，并提出了一种新颖的目标函数，使用对比学习的方法约束提取的特征在分布转移下保持不变，实验证明该方法在多个数据集上均表现出与之前方法相比更好的性能。
deep neural networksdomain generalizationmulti-layermulti-scaled representationsrobust representation learning
发现论文，激发创造
  • 多级注意力 CNNs 用于领域泛化

    本文提出了一种针对领域泛化问题的替代神经网络结构，该结构可以关注卷积神经网络的多个层次，利用可训练的注意机制来实现鲁棒的数据分类，同时在已有的四项领域通用基准测试中表现良好。

    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

  • 更深，更广，更艺术化的领域泛化

    本文主要介绍了如何利用深度学习和 CNN 模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

    Oct, 2017

  • 基于领域内迁移学习和叠加深度卷积神经网络的文档图像分类

    本文提出了一种基于深度卷积神经网络的区域框架，用于文档结构学习，并实现了高效的分类器和有效的串联分类方法，同时提出了外部和内部领域迁移学习技术和基于交叉验证方法的分类器融合思想，实现对 RVL-CDIP 文档图像数据集中文档分类的最新记录 92.2％准确率。

    Jan, 2018

  • 通过对比学习实现乳腺 X 光分析的领域泛化

    通过对来自多家厂商的乳房 X 线照片进行无监督自学习并使用对比学习的方法，提高深度学习模型对于不同风格的图片的概括能力。实验结果表明，该方法在两个公开数据集上均显著优于诸多目前最先进的预测方法。

    Apr, 2023

  • 领域 Mixup 在异构域泛化中的应用

    针对深度卷积神经网络的广义性能力不足的问题，提出了一种混合多个来源域的样本的新型异构域泛化方法，通过 Visual Decathlon 基准实验验证了方法的有效性。

    Sep, 2020

  • 领域泛化中异质性的定量测量与对比探讨

    利用对比学习提出了一种基于异质性的两阶段对比学习 (HTCL) 算法，在第一阶段使用对比度量生成最异质的划分模式，第二阶段利用先前生成的划分模式进行不变性对比学习，以更好地利用生成的域标签进行广义学习，从而更好地挖掘异质性并产生良好的广义性能。

    May, 2023

  • 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

  • 最佳来源前进：通过源特定网络进行域通用化

    通过引入多个特定于源域的分类器，利用预测目标样本属于每个源域的概率进行最优融合，并引入一个域不可知组件来支持最终分类器，我们的深度学习模型在两个公共基准测试上表现出很强的泛化能力。

    Jun, 2018

  • 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