Mar, 2024

克服跨领域数据不平衡的半监督领域泛化

PDF
TL;DR本文介绍了一种名为 ProUD 的新算法，通过领域感知原型以及标记和未标记领域的不确定性自适应混合，有效地学习领域不变特征，解决了领域之间数据不平等的问题，并在三个不同的基准数据集上进行的实验证明了 ProUD 的有效性，胜过所有基线模型，包括单领域泛化和半监督学习。
machine learningdata inequalitysemi-supervised domain generalizationproud algorithmbenchmark datasets
发现论文，激发创造
  • 提升伪标记和改善半监督领域泛化的鲁棒性

    我们提出了一种新的半监督领域泛化方法，利用模型平均的不确定性引导伪标签技术，在有限标签的情况下缓解对源领域的过拟合，并在关键代表性领域泛化数据集上证明了其有效性。

    Jan, 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

  • 往未见领域通用化的方向发展

    我们提出了一种半监督领域泛化模型，通过利用有限的有标签数据和大量的无标签数据来学习领域通用特征。我们的方法在两种不同的半监督领域泛化设置中，在五个具有挑战性的基准测试中实现了一致且显著的进展。

    Mar, 2024

  • 基于双层领域混合的半监督领域适应用于语义分割

    该研究提出一种基于双层域混合的半监督领域自适应框架，结合数据混合方法和知识蒸馏，通过给定少量标记的数据和大量标记的源数据来减少域间差异，并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。

    Mar, 2021

  • 无监督域泛化

    本研究旨在探索如何通过无监督学习帮助深度模型跨域泛化。通过预训练无标签数据，DARLING 方法可以从根本上改善有限标记数据的不足，增强模型的泛化能力。

    Jul, 2021

  • 语义分割的领域自适应半监督学习中的区内和区间混合

    本文介绍了一种新的半监督领域适应框架，该框架结合了跨域混合和内域混合，实现了更好地利用目标域信息，并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。

    Aug, 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

  • 通过减少共同类别偏置来进行普适半监督领域自适应

    通过引入新的先验引导的伪标签优化策略，提出了一种改善 UniSSDA 适应性设置中常见类别偏差的方法，有助于在 Office-Home、DomainNet 和 VisDA 等基准数据集上取得最佳性能，并为 UniSSDA 建立了新的基准线。

    Mar, 2024

  • 无监督模型适应连续语义分割

    本文提出了一种算法，通过学习源域的原型分布来将目标域分布与源域分布在嵌入空间中对齐，用于自适应预训练模型以便在目标域中泛化。

    Sep, 2020

  • 混合领域半监督医学图像分割中构建和探索中间域

    医学图像分割中存在有限标注和领域转移的问题，传统的半监督分割和无监督领域自适应方法只解决了其中一个问题，本文提出了一种新的具有挑战性的情景：混合领域半监督医学图像分割（MiDSS），并通过引入统一的复制 - 粘贴（UCP）和对称引导训练策略（SymGD）解决问题，进一步使用训练过程感知的随机幅值混合（TP-RAM）方法以获得更好的分割结果。

    Apr, 2024