Jul, 2024

解开用于无监督领域泛化的掩码自编码器

HTML
PDF
TL;DR为了解决无监督域泛化任务，我们提出了一种名为DisMAE的新型学习框架，旨在发现可靠地展示内在特征和表面变化的解耦表示，而无需访问类别标签。实验证明，DisMAE在领域泛化和无监督域泛化任务中与最先进的基线方法相比，能够实现竞争性的泛化性能，为提高大规模无标签数据的泛化能力指明了潜在的研究方向。
发现论文，激发创造
  • 更深，更广，更艺术化的领域泛化

    本文主要介绍了如何利用深度学习和CNN模型处理领域泛化问题，建立起一个更加完整的基准测试数据集，并在其中进行了对比实验，证明了该方法的优越性以及提出的数据集的更高难度值。

    Oct, 2017

  • 在域内外泛化中平衡特异性和不变性的学习

    本研究提出了一种域特定掩码模型，旨在提高领域内和领域外的泛化性能，在PACS和DomainNet中实现与先前的方法竞争性能。

    Aug, 2020

  • 无监督领域泛化的分层变分自编码

    本文提出了一种基于层次生成方法和变分自编码器的无监督领域泛化算法，能够在不受领域特定信息约束的情况下学习表征并在多种领域设置下优于先前提出的领域泛化算法和现有的其他非生成式方法。另外，作者还提出了基于 ELBO 的模型选择和弱领域监督算法。

    Jan, 2021

  • 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

  • 面向域泛化的基于原则的解缠方法

    提出了一种名为DDG的方法，利用基于约束的优化形式来处理机器学习模型的泛化问题，并以有限维参数化和经验逼近的方式对其进行简化，同时提出了一种基于原始对偶算法来实现表示分离和域泛化的方法。DDG方法可以学习到语义概念的内在表示，使其对干扰因素具有不变性，并可以在多个领域中得到良好的OOU性能表现。

    Nov, 2021

  • DISPEL：领域通用性通过领域特定的解放

    本文从识别不同的属性组作为领域共享或领域特有属性，提出了一个称为DISPEL的后处理微调方法，该方法可以过滤掉嵌入空间中未定义和无法区分的领域特有特征。DISPEL框架高度灵活，可以应用于任何微调模型，实验结果在五个基准测试上表明DISPEL优于现有方法，并且可以进一步推广各种算法。

    Jul, 2023

  • INSURE：一种基于信息理论的解缠纠化域泛化模型

    本文提出了一种基于信息论思想的INSURE模型，旨在通过对潜在特征进行明确解耦来获取足够和紧凑的类相关特征，以实现对未见目标域的泛化。该模型在四个广泛使用的DG基准数据集上的实验证明了其优越性，并且实证表明领域特定的类相关特征对于领域泛化是有益的。

    Sep, 2023

  • 重新思考领域泛化：可辨别性与泛化能力

    域泛化的新观点，创造了具有强大可辨别性和鲁棒普适性的特征，通过Selective Channel Pruning和Micro-level Distribution Alignment两个核心组件，解决了当前域泛化中特征泛化和差异化挑战。

    Sep, 2023

  • 面向领域泛化的领域特定特征解缠

    我们提出了一种新的基于对比的解缠方法CDDG，通过利用解缠特征来利用被忽视的领域特定特征，从而便于提取所需的跨领域类别特征进行DG任务。与其他先进方法相比，对各种基准数据集进行的广泛实验表明了我们方法的优越性。此外，可视化评估证实了我们方法在实现有效特征解缠方面的潜力。

    Oct, 2023

  • CDAD-Net: 广义类别发现中的领域差距连接

    在跨领域广义类别发现中，CDAD-NET通过对源域和目标域之间的样本进行同步，强调目标数据的独特分类，并且通过三个度量学习目标的融合来保持共享空间的区分性。在实验中，CDAD-NET在三个AD-GCD基准测试中表现出8-15％的性能提升。

    Apr, 2024