活动识别中多样的域内和域间活动风格融合用于跨个人泛化

KDDJun, 2024

活动识别中多样的域内和域间活动风格融合用于跨个人泛化

Diverse Intra- and Inter-Domain Activity Style Fusion for Cross-Person Generalization in Activity Recognition

Junru Zhang, Lang Feng, Zhidan Liu, Yuhan Wu, Yang He...

TL;DR通过域填充的概念，使用条件扩散模型和样式融合采样策略生成多样的数据，解决了领域泛化中捕捉领域间和领域内样式多样性的挑战，并在所有人体活动识别任务中优于现有的领域泛化方法。

Abstract

Existing domain generalization (DG) methods for cross-person generalization tasks often face challenges in capturing intra- and inter-domain style diversity, resulting in domain gaps with the target domain. In this study, we explore a novel perspective to tackle this problem, a process

domain generalization intra- and inter-domain style diversity domain padding conditional diffusion model style-fused sampling strategy

发现论文，激发创造

跨领域活动识别的分层迁移学习

为了提高交叉领域活动识别的分类精度，本文提出了一种称为层级转移学习的框架，该框架可以利用类内相似性来进行类内知识转移。在三个大型公共活动识别数据集上的实验结果表明，STL 相对于其他先进方法具有显着的分类准确性提高（提高了 7.68%），并且还探讨了不同领域之间相似性和活动水平之间 STL 的性能表现。

Dec, 2017

自适应特征融合实现活动识别领域通用化

本文提出了一种适应性特征融合的领域泛化方法（AFFAR），该方法通过将领域不变和领域特定表示相结合来提高模型的泛化能力，在三个公共 HAR 数据集上展开了广泛的实验，并将其应用于儿童注意缺陷多动障碍（ADHD）的诊断，证明了其优越性。

Jul, 2022

测试时间风格转移：处理领域通用中的任意风格

本文提出了测试时样式转换和样式均衡方法以解决域泛化中的模型训练与目标域未知的问题。在不需要进一步模型更新的情况下，通过这种方法，模型可以处理任意具有任意样式统计数据的目标域，并且已在不同数据集上得到实验证明其有效性。

Jun, 2023

基于时间注意力的深度生成领域适应，用于跨用户活动识别

我们的研究提出了一种新颖的 Deep Generative Domain Adaptation with Temporal Attention (DGDATA) 方法，通过在领域适应过程中识别和整合时序数据中嵌入的时间关系，我们的方法改进了跨用户人体活动识别的分类性能。我们在三个面向不同场景和应用的公共基于传感器的人体活动识别数据集上进行了全面评估，以证明所提出的 DGDATA 方法的有效性。

Mar, 2024

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

面部反欺诈的实例感知域泛化

本文提出了一种基于实例感知域泛化的人脸反欺诈方法，通过消除实例特定的样式来学习通用特征，同时使用动态内核生成器和分类样式组装来进一步促进对抗攻击的成功检测。

Apr, 2023

特征风格化与领域感知对比学习用于领域泛化

提出了一种基于特征统计进行特征风格化的领域泛化框架，其中利用领域样式样本对原始特征进行低频成分的风格化处理，并利用领域感知的对比损失增加类别可区分性，得到在 PACS 和 Office-Home 两个基准测试上超越现有最先进方法的实验结果。

Aug, 2021

跨领域特征增强的域泛化

领域泛化通过提高模型的鲁棒性来开发具有分布偏移上的稳定性的模型。现有方法在跨域数据上学习不变性以增强模型的稳健性，数据增强被广泛用于学习不变的预测模型，其中大多数方法在输入空间进行增强。然而，输入空间的增强的多样性有限，而特征空间的增强更加灵活且显示了有希望的结果。然而，特征语义很少被考虑，现有特征增强方法缺乏增强特征的多样性。我们将特征分解为类通用、类特定、领域通用和领域特定组件。我们提出了一种名为 XDomainMix 的跨域特征增强方法，使我们能够增加样本的多样性，同时强调学习不变表示以实现领域泛化。对广泛使用的基准数据集的实验证明我们的方法能够实现最先进的性能。定量分析表明我们的特征增强方法有助于学习在不同领域中都不变的有效模型。

May, 2024

基于限制扩散生成的可扩展动作风格迁移

通过在训练阶段保持域的独立性，我们通过在向后扩散中施加偏向采样，从而构造了源域关键帧生成的偏置，并将其应用为内容约束的梯度，以实现关键帧流形约束梯度（KMCGs）的框架，我们的验证结果表明，训练单独的模型在多达十种舞蹈动作风格之间进行转换，相比基线和消融的基于扩散的风格转换模型，在保留动作内容方面取得了显著的改进。此外，我们进行了主观评估的人类研究，以评估生成的舞蹈动作的质量，结果验证了 KMCGs 的竞争力。

Dec, 2023

面部反欺诈的测试时间域泛化

测试时间域泛化框架通过引入测试数据来提升模型的适用性，该方法包括测试时间风格投影和多元风格变换模拟，有效地将未知数据投影到已知域空间，并在广泛使用的跨域 FAS 基准测试中展示出最先进的性能和有效性。

Mar, 2024