Nov, 2023

单源开放域泛化学习的类别和领域增强

PDF
TL;DR单源开放域泛化 (SS-ODG) 通过在训练期间提供带标签的源域和在测试期间提供没有标签的新颖目标域来解决有监督的挑战。现有的技术主要集中于校准源域的分类器以识别目标域中的开放样本。然而，这些方法在对视觉细粒度的开放 - 闭合数据时往往出现错误分类的情况。为了克服这些限制，我们提出了一种名为 SODG-Net 的新颖框架，该框架使用基于学习的目标同时合成新颖域和生成伪开放样本，与文献中常见的临时混合策略形成对比。我们的方法通过使用新颖的度量标准增强了对已知类别样本样式的泛化能力，并生成了多样的伪开放样本，以训练能够处理开放和闭集数据的统一且自信的多类分类器。在多个基准测试中进行的大量实验评估一致表明了 SODG-Net 相对于文献的卓越性能。
single-source open-domain generalizationss-odgsodg-netpseudo-open samplesclosed-set data
发现论文，激发创造
  • 领域增强元学习的开放域泛化

    本文研究了开放域泛化的问题，提出了一种基于元学习的域增强框架 (DAML)，通过特征层次和标签层次上的增强，综合不同领域的知识，提高在不同领域泛化能力的性能。实验结果表明，DAML 方法在未知领域识别方面表现优越。

    Apr, 2021

  • 利用预训练特征通过正则化来进行单一网络的开放域泛化

    本文针对开放领域泛化问题，通过使用单个网络以及预训练的头部和两个正则化项进行特征提取、分类和模型修改，使模型适应未知领域并提高对未知类别的检测能力，最终在多个基准测试中取得了有竞争力的性能。

    Dec, 2023

  • 针对目标检测的目标感知域泛化

    单域泛化（S-DG）方法用于将模型推广到未知环境，但大多数方法局限于分类领域，在目标检测中会导致语义特征损坏，我们提出一种面向目标检测的目标感知领域泛化（OA-DG）方法，包括数据增强和训练策略（OA-Mix 和 OA-Loss），通过生成多域数据和学习域不变表示，我们的方法在标准基准上优于现有研究。

    Dec, 2023

  • 基于不确定性引导的对比学习在单源领域泛化中的应用

    通过引入一种新型模型 Contrastive Uncertainty Domain Generalisation Network (CUDGNet) ，本文提出了在单一域上训练的模型能够在面对多个陌生领域时展现出强大性能的方法。该方法通过虚拟域生成器增强输入和标签空间的源容量，并通过对比学习来联合学习每个类别的域不变表示。在两个 Single Source Domain Generalisation (SSDG) 数据集上的大量实验证明了我们方法的有效性，超过了最先进的单 - DG 方法高达 7.08%。我们的方法还能够通过生成子网络的单次前向传递有效地进行不确定性估计。

    Mar, 2024

  • 更好的伪标签：用于半监督领域通用问题的联合领域感知标签和双分类器

    本文提出了一种新颖的深度框架，利用半监督域泛化技术，通过联合领域感知标签和双分类器生成高质量的伪标签来解决从观察源域到预测未知目标域之间的领域差异问题，同时当准确的伪标签为无标签源域生成时，使用域混合操作增加标记和未标记域之间的新域，有助于提高模型的泛化能力，并在公开的 DG 基准数据集上展示了所提出的 SSDG 方法的有效性。

    Oct, 2021

  • 简单的域泛化方法是开放域泛化的强基准

    该研究对现有的 DG（Domain Generalization）方法在 ODG（Open Domain Generalization）情况下进行综合评估，显示出两种简单的 DG 方法，CORrelation ALignment（CORAL）和 Maximum Mean Discrepancy（MMD），在多种情况下与 DAML 竞争力强，且简单 DG 方法的扩展也是 ODG 的较强基线。

    Mar, 2023

  • 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

  • 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

  • 具有类别感知对齐的强健领域无关泛化

    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

  • 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