Mar, 2024

SETA：针对领域泛化的语义感知令牌增强

PDF
TL;DR通过引入 SEmantic-aware Token Augmentation (SETA) 方法，并结合两种现有样式增强方法，我们在多个视觉转换器 (ViT) 和多层感知器 (MLP) 架构上实现了同类方法中表现最佳的跨域泛化性能。
domain generalizationdata augmentationtoken-based modelsshape informationgeneralization ability
发现论文，激发创造
  • AdvST: 重访单领域泛化的数据增强

    使用可学习参数的语义转换的敌对学习（AdvST）通过对源领域数据进行语义转换增强并学习鲁邦岛移情据从而优化在语义分布上定义的分布鲁邦岛优化目标。与现有方法相比，AdvST 具有竞争力且在 Digits，PACS 和 DomainNet 数据集上获得最佳的平均单域类比性能。

    Dec, 2023

  • 将监督领域泛化融入数据增强

    通过将数据增强作为监督领域泛化问题，并利用对比语义对齐损失方法，提高数据增强的鲁棒性和训练效率。实验证明，该方法改善了典型数据增强的鲁棒性和训练效率。

    Oct, 2023

  • 单次适应的目标感知生成增强

    本文提出了一种新颖的域适应方法 SiSTA，该方法利用单次训练目标任务样本 fine-tuned 生成模型，以产生配对的真实目标标注数据，并证明在面部属性检测和多类对象识别等基准测试中，SiSTA 相对其他方法表现更优秀。

    May, 2023

  • 基于增强的域泛化用于语义分割

    本研究系统地研究了简单、基于规则的图像增强方法（如模糊、噪声、色彩抖动等）对深度神经网络（DNNs）的领域内外泛化能力。 实验结果表明，对多个不同的图像增强进行组合优于单独使用单个图像增强，并且与最先进的领域泛化方法相比表现相当。

    Apr, 2023

  • 可转移的领域自适应语义增强

    本文介绍了一种新的领域自适应方法，即 Transferable Semantic Augmentation (TSA)，该方法通过隐式地生成目标语义，提高分类器适应能力，来改进现有领域适应算法中的特征表示问题。具体方法是使用多元正态分布来进行源特征的数据增强，该方法可轻松接入各种领域适应方法，取得了显著的改进效果。

    Mar, 2021

  • VLTSeg: 用于领域泛化语义分割的基于 CLIP 的视觉 - 语言表示简单转移

    本研究提出了一种基于视觉 - 语言模型的视觉语义分割方法，通过在源领域进行训练并在未见目标领域进行评估，提高了领域通用性。实验证明，该方法在域通用分割中的性能优于传统的视觉训练方法，取得了 7.6% mIoU 的提升。同时，在主流数据集上取得了 76.48% mIoU 的性能，超过了此前最优方法 6.9% mIoU 的水平。还表明该方法在领域内具有强大的泛化能力，并在当前排行榜上与最优方法并列第一。

    Dec, 2023

  • DGSS: 使用迭代风格挖掘和潜在表示对域通用语义分割进行分析

    本文提出单源域泛化的两步法框架来克服领域差距，使用对抗性样式和样式混合机制，以实现具有一致性表现的领域广义语义分割算法。

    Feb, 2022

  • DiGA: 经过蒸馏泛化再适应于领域自适应语义分割

    本文提出一种基于知识蒸馏的域自适应语义分割方法，用于取代当前广泛使用的对抗训练，通过阈值自由的动态伪标籍选择机制自动适应目标域，配合跨域混合数据增强技术，显著提升语义分割结果。

    Apr, 2023

  • 预测你将学到什么：非平稳环境下领域泛化的数据增强

    本文提出了一种新的演化域广义化方法，即 Directional Domain Augmentation (DDA)，并采用表示空间中的元学习方法解决了双层优化问题，该方法在合成数据集和现实世界数据集上进行了实际测试，并取得优于其他现有方法的结果。

    Jan, 2023

  • MetaSAug: 面向长尾视觉识别的元语义增强

    本文提出一种基于 ISDA 算法的新方法，通过元学习自动学习转换的语义方向来扩充极少数的分类数据样本，以达到解决单纯平衡训练集情况下典型有监督学习算法表现下降问题的目的，并在 CIFAR-LT-10 / 100、ImageNet-LT 和 iNaturalist 2017/2018 数据集上进行实验验证。

    Mar, 2021