Sep, 2023

领域泛化的多样目标和贡献调度

PDF
TL;DR本文通过理论和实证分析揭示了领域通用中梯度冲突的存在，并提出了一种基于经验源领域风险的全新视角及相应的解决方案（DTCS），通过多样化目标监督和多样化贡献平衡两个创新模块，来解决常用的单热标签和源领域平等贡献的局限性，实验证明该方法在四个基准数据集上具有较高的竞争性表现，从而展示了 DTCS 方法的有效性和优势。
generalizationdomain generalizationgradient conflictsdiverse target and contribution schedulingempirical analysis
发现论文，激发创造
  • 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

  • 单一领域泛化的多样化学习

    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

  • 学习生成用于域泛化的新领域

    本文主要探讨如何通过数据生成器来增加多个源域的多样性提高领域泛化能力，在使用了最优传输的分布偏差模型和循环一致性和分类损失的数据生成器模型中，我们的 L2A-OT（学习通过最优传输增广）方法在四个基准数据集中表现优于当前最先进的 DG 方法。

    Jul, 2020

  • 分布中的宝藏：基于领域随机化的 2D 医学图像分割多源领域泛化

    本文介绍一种称为 “分布宝藏” 的多源域泛化方法，它采用随机样本并构造了一个前所未有的搜索空间以获得强韧性模型，为了明确学习域不变表现，进一步制定了 “Style Mix” 策略通过随机混合通道高效地混合特征风格。在两项医学分割任务中的广泛实验表明，TriD 在看不见目标域数据上的泛化性能优于其他 DG 方法。

    May, 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

  • PracticalDG: 视觉 - 语言模型的扰动提取与混合域泛化

    该研究论文介绍了一种通过将知识从轻量级视觉模型转移到视觉 - 语言模型，并引入三个方面的扰动提炼（SCI-PD）来提高鲁棒性的方法，并通过新的混合领域泛化基准和度量进行全面评估，结果表明该方法在多个数据集上优于现有算法，尤其在数据稀缺情况下提高了鲁棒性。

    Apr, 2024

  • 关于认证和提高对未见领域的泛化能力

    本文提出了一种基于分布鲁棒优化的普适认证框架，旨在弥补现有基准数据集在测试时无法全面评估领域通用算法的局限性，并提出了一种训练算法，可以用于改进其认证性能。实证评估表明，该方法显著提高了风险压力下模型的最坏损失，而在基准数据集上并未出现显著的性能下降。

    Jun, 2022

  • 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

  • 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

  • 学习领域不变表示以多源迁移学习

    本研究探讨了多源领域自适应和领域泛化设置中的目标通用损失的上界和两种领域不变表示的定义，并研究了强制学习每个领域不变表示的优缺点和权衡，并通过实验来检查这些表示的权衡，探索了我们所开发的理论的其他有趣特性。

    Nov, 2021