面向多模态开放领域泛化和自适应的自监督方法
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
本文研究了开放域泛化的问题,提出了一种基于元学习的域增强框架 (DAML),通过特征层次和标签层次上的增强,综合不同领域的知识,提高在不同领域泛化能力的性能。实验结果表明,DAML 方法在未知领域识别方面表现优越。
Apr, 2021
本文提出了一种基于元学习的新型框架,即双重 MEta-learning with joint DomaIn-Class matching(MEDIC),该框架同时考虑了领域间和类别间的梯度匹配,以找到适用于所有任务的平衡边界,实验证明该方法不仅在开放集场景中优于以前的方法,同时还保持了有竞争力的闭集泛化能力。
Aug, 2023
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
本文提出了一种逐步的伪标记方法来实现源自由的开放域适应,并引入了平衡伪标记(BP-L)策略来加强模型的分类扩展性和预测校准性能,在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。
Feb, 2022
该研究论文探讨了领域泛化和无监督领域泛化问题,提出了一种在多模态场景下构建数据集的新方法,并在不同的基准测试上与其他方法进行了比较,取得了较高的准确性。
Feb, 2024
该研究提出一种新的自监督学习方法,通过旋转识别任务来解决开放集领域适应中的已知 / 未知样本分离及其性能评估问题,并在 Office-31 和 Office-Home 基准测试中表现出较好的性能和可重复性。
Jul, 2020
提出了一种用于语义分割的开放域适应方法,在目标域中包含未知类别,通过构建边界和未知形状感知的开放域域自适应模型 (BUS),利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界,并提出了一种新的领域混合增强方法(OpenReMix),此方法指导模型学习域和尺寸不变特征,以改善已知和未知类别的形状检测,通过广泛实验表明,与之前的方法相比,BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。
May, 2024
Open Set Domain Adaptation (OSDA) is addressed using a Mixture-of-Expert (MoE) framework, where Dual-Space Detection detects unknown class samples by exploiting inconsistencies between the image feature space and the routing feature space, and Graph Router utilizes spatial information among image patches to improve accuracy and effectiveness.
Nov, 2023
这篇论文提出了一个高度实际倡导 our method outperforms specific open set detection, test-time adaptation, and SF-OSDA methods to establish a new state-of-the-art on three public histopathological datasets (Kather-16, Kather-19, and CRCTP) for colorectal cancer assessment.
Jul, 2023