基于不确定性引导的对比学习在单源领域泛化中的应用

Mar, 2024

基于不确定性引导的对比学习在单源领域泛化中的应用

Uncertainty-guided Contrastive Learning for Single Source Domain Generalisation

Anastasios Arsenos, Dimitrios Kollias, Evangelos Petrongonas, Christos Skliros, Stefanos Kollias

TL;DR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。

Abstract

In the context of single domain generalisation, the objective is for models that have been exclusively trained on data from a single domain to demonstrate strong performance when confronted with various unfamiliar domains. In this paper, we introduce a novel model referred to as Contra

single domain generalisation contrastive uncertainty domain generalisation network fictitious domain generator domain invariant representation single source domain generalisation

发现论文，激发创造

基于不确定性指导的模型泛化应用于未知领域

本文关注在单源情况下广义化的最坏情况，提出了基于不确定性评估的输入与标签空间扩充方法，使用贝叶斯元学习框架，在图像分类、语义分割、文本分类和语音识别等范畴取得了优异的表现。

Mar, 2021

单源开放域泛化学习的类别和领域增强

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。

Nov, 2023

渠道中有鬼：对医学图像分割进行对比单一领域泛化

本研究提出了一种基于 CCSDG 模型的医学图像分割方法，该模型使用浅层特征和样式增强的对应图像进行对比训练，从而实现了对通道级特征的解缠结和结构特征的分离，取得了比基准模型和其他所有竞争方法更好的效果。

Jun, 2023

克服跨领域数据不平衡的半监督领域泛化

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。

Mar, 2024

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

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

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

面向单源域广义目标检测的无偏 Faster R-CNN

提出了一种单源域泛化的方法，通过构建结构因果模型来分析任务中的数据偏差和特征偏差，并设计了全局 - 本地转换模块和因果关注学习模块来增强算法的泛化能力。在五个场景的实验中，该方法取得了明显的改进，夜晚晴朗场景的 mAP 提高了 3.9%。

May, 2024

神经网络失去了泛化能力？一个模型敏感性的视角

本文提出了一种针对 Single Domain Generalization 的新策略 ——Spectral Adversarial Data Augmentation，通过提高模型对高敏感频率的学习能力，从而有效提高模型的泛化能力，各项实验均超过目前 Single-DG 方法的最佳表现。

Dec, 2022

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