- ICCV加权平均改善领域偏移下的知识蒸馏
知识蒸馏是一种强大的模型压缩技术,该论文通过在域偏移下对权重平均技术的应用,桥接了知识蒸馏和域泛化的研究领域,并提出了一种简化的权重平均策略,称为加权平均知识蒸馏(WAKD)方法。
- 通过变分自动编码器在糖尿病视网膜病变领域跨领域泛化
通过探索变分自动编码器在眼底图像的潜在空间中解耦的内在能力,本研究旨在获取一种更强大适应不同 DR 数据集中遇到的领域转换的域不变表示方法,以提高该模型在广泛临床环境中的适用性,并证明其能够通过简单方法优于现有先进技术,挑战了对于 DR 分 - 自监督领域无关卫星图像域自适应
通过设计对抗生成损失,在不定义域的情况下,通过自监督域无关领域自适应方法(SS (DA) 2)来解决全球规模卫星图像处理中由地理区域或获取条件等引起的域漂移问题。
- AR-TTA:一种用于现实世界中连续测试时适应的简单方法
提出了一种名为 AR-TTA 的方法,该方法在自主驾驶领域中进行了测试时间适应,以处理不同程度的领域转变,并在维护源模型知识和适应动态变化的数据流方面表现优越。
- DGM-DR:具有互信息约束的糖尿病视网膜病变分类的领域泛化
通过最大化预训练模型的互信息来重新建立目标函数,以解决领域转移在医学成像领域的问题,并在糖尿病视网膜病变分类中得到了稳定且优于先前最先进方法的结果。
- ATTA:面向分割领域中的异常感知测试时间适应
本研究提出了一种双层离群分布检测框架,可同时处理领域漂移和语义漂移,通过全局低层特征和密集高层特征图来区分领域漂移和语义漂移,并能够选择性地调整模型以适应未知领域,并提高在检测新类别方面的效果。在多个离群分割基准测试中验证了所提出方法的有效 - 使用额外数据进行 MICCAI KiTS23 挑战时的领域转移分析
研究在医学图像 3D 分割中,通过使用额外的训练数据和域迁移技术来改善结果,特别是在训练数据匮乏、需要从少量可用数据中良好泛化的情况下,结果显示使用直方图匹配来转换额外的数据比简单归一化有更好的效果。
- 少样本无监督领域适应的光谱对抗混合
本文提出了一种新颖的少样本无监督领域自适应方法,通过引入频域的光谱敏感度映射和敏感度引导的光谱对抗混合方法,生成目标风格的图像,并有效抑制模型的敏感性,从而提高模型在目标领域的泛化能力。通过在多个公共数据集上进行严格评估,证明了所提出方法的 - 公平感知因果模型的适应速度分析
在机器翻译任务中,为了实现两种语言之间的双向翻译,常常使用源语料库作为目标语料库,这涉及到使用相反方向的两个模型进行训练。然而,不同因素会影响适应速度,包括原始分布和修改后分布之间的因果依赖关系。本文通过考察简单的结构性因果模型中的敏感变量 - 无源领域自适应医学图像分割的局部全局伪标签修正
本研究提出了一种新颖的源数据免费领域自适应医学图像分割方法,名为局部 - 全局伪标签校正(LGDA)方法,通过离线局部和在线全局伪标签校正来纠正自训练方法中的错误伪标签,取得了优于现有方法的性能。
- ICCV域适应器:一种用于测试时适应的新方法
通过 AdaMixBN 模块和广义熵最小化 (GEM) 损失函数,本论文提出了一种名为 DomainAdaptor 的统一方法,用于进行测试时的适应学习,以最大限度地挖掘测试数据中的信息,并解决训练和测试样本之间的领域偏移问题,从而在四个基 - ICCV基于人工智能算法的自动驾驶系统对挡风玻璃引起的光波前像差的敏感性分析
自动驾驶感知技术基于实际街道数据训练的监督式机器学习模型,然而,在不同车辆类型上部署这些训练模型可能会引起域漂移问题,对神经网络性能造成潜在影响并违反工作中的 ADAS 要求。本文通过评估两个感知模型对不同车窗配置的敏感性来深入研究领域漂移 - GeoAdapt: 基于几何先验的自监督测试时 Lidar 地点识别自适应
在基于深度学习的 LiDAR 地点识别方法中,当训练和测试数据集的分布发生变化时性能显著降低,常常需要重新训练以达到最佳性能。为了解决这个问题,我们提出了 GeoAdapt,它引入了一种新颖的辅助分类头部,以自监督的方式为新环境上的重新训练 - IJCAIMeta-Tsallis - 熵最小化:一种新的自训练方法用于文本分类领域自适应
文本分类是自然语言处理的基础任务之一,本文提出了一种基于元学习算法的元 - Tsallis 熵最小化方法(MTEM),用于在目标领域上优化实例适应性 Tsallis 熵,以实现领域适应。实验结果表明,MTEM 在基准数据集上提升了 BERT - UCDFormer:基于 Transformer 驱动的图像翻译的无监督变化检测
本研究提出了一种基于领域转换的无监督遥感图像变化检测方法 UCDFormer,通过使用轻量级 Transformer 和特定领域亲和力权重的图像转换来减轻多时相图像中的季节性和风格差异,并通过模糊 C 均值聚类和自适应阈值的伪变化图和可靠像 - 跨领域少样本分类的自适应语义一致性
通过设计自适应语义一致性机制,提出了一种适应性的源领域知识转移框架(ASC),通过在源领域预训练中重用源图像并设计自适应的权重分配策略,实现了源领域知识向目标领域的显式转移,有效地减轻了跨领域 few-shot 分类中过拟合的问题。
- 白内障手术视频中的器械分类的跨数据集适应性
在这篇论文中,我们强调了普通白内障手术中的领域转换问题,并提出了一种名为 Barlow Adaptor 的新型端到端无监督领域自适应方法,通过对不同领域之间的特征进行对齐,减少冗余和批处理大小需求来改善跨数据集性能。通过在两个白内障手术数据 - 挖掘基于不确定性的伪标签以实现稳健的立体匹配
基于不确定性估计的稳健立体匹配算法通过适应性调整离散搜索空间来平衡视差分布,借助基于不确定性的伪标签方法解决有限标签数据的限制,并在多领域、迁移学习和联合泛化上取得了强大的性能,在 Robust Vision Challenge 2020 - NormAUG:基于归一化指导的领域泛化增强
通过数据增强和集成策略,提出一种名为 NormAUG 的简单而有效的方法来解决深度学习中由于领域转移而导致的性能下降问题,并在多个基准数据集上进行了广泛实验来验证其有效性。
- 跨领域一致特征扰动
通过在潜在空间中生成被干扰的特征并对模型预测进行领域转移的正则化来模拟领域转移的在线一阶交叉对比特征扰动(Cross Contrasting Feature Perturbation)框架引入的模块与语义一致性约束设计和学习特征扰动的,无需