通过引入额外的文本信息,本文提出了一种新的基于文本引导的域泛化(TDG)范式,其中包括自动词语生成、基于提示学习的文本特征生成以及利用图像特征和生成的文本特征来训练分类器,提高域泛化性能的技术都以一种易于实现的方式融入到 TDG 中。在几个域泛化基准上的实验结果表明,我们提出的框架通过有效利用生成的文本信息在域泛化中取得了卓越的性能。
Aug, 2023
提出了一种文本引导的域泛化框架,用于增强人脸反欺诈技术的域泛化性能,通过文本信息进行跨域对齐,设计了多层次注意融合模块和文本增强视觉判别器,实现了更好的分类和域适应能力,并在极度有限的源域数据情况下展示了令人印象深刻的少样本性能。
Nov, 2023
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
通过分析频率在域差异中的影响,Frequency-mixed Single-source Domain Generalization method (FreeSDG) 利用混合频谱增强单源域,同时在域增强中构建自我监督来学习上下文感知的鲁棒表示,从而提高分割模型的泛化能力。实验证明了该方法的有效性,并显著改进了分割模型的泛化能力,对于提升医学图像分割模型的泛化能力,尤其是在数据标注稀缺时,FreeSDG 提供了一个有前途的解决方案。
Jul, 2023
医学数据在分布上经常发生变化,这会导致采用标准监督学习流程训练的深度学习模型在测试时性能下降。本研究介绍了一种新的医学图像分类的单域泛化方法,它利用了通道间的对比解缠绕,并通过基于重构的样式正则化进一步增强了独立的样式和结构特征表示的提取。我们将该方法在多中心组织病理图像分类的复杂任务上进行了评估,与最先进的单域泛化基线进行了比较。结果表明,我们的方法在平均准确率上超过了最先进的方法 1%,同时表现更稳定,突显了在分类任务背景下探索单域泛化框架的重要性和挑战。
Mar, 2024
本文介绍了一种基于 Segment Anything Model (SAM) 的单源域泛化方法,通过引入并行框架以及经过细化的分割模块对源图像进行处理,从而大大提高了泛化能力,实验结果表明该方法与其他先进的领域泛化方法相比获得了有竞争力的结果。
Jan, 2024
本文提出了一种新颖的自适应纹理过滤机制和具有结构引导增强模块的分层指导统一网络,用以学习领域 - 不变化的广义知识,以实现领域的普适性。在广泛使用的数据集上进行的大量实验和消融研究验证了所提出模型的有效性,并揭示了其优于其他最先进的替代品的优越性。
Mar, 2023
通过联合使用半监督学习与领域泛化方法,提出了 SSL-DG,实现了在有限标注数据下的跨域泛化效果,并在两个具有挑战性的领域泛化任务中显著优于现有方法。
本文提出了一种基于自然语言监督的跨模态领域泛化方法,利用视觉和文本交互的表征来实现高级别类别判别的信息融合,并使用可解释的模型来生成解释,从而提高模型的泛化能力和性能。作者的方法在多个数据集上均取得了最新领先的结果。
Jul, 2022
通过在多模态情境中将特征分为模态特定和模态共享组件,并运用监督对比学习对模态共享特征施加距离约束,以促进多样性,并引入跨模态转换模块来规范学习特征,以达到领域泛化的目标。
Oct, 2023