- 因果灵感的隐变量增强单域泛化
通过基于因果学习和干预的方法,我们提出了一种新颖的因果启发潜在特征增强方法,用于单域泛化,我们可以生成多样的隐式特征级变换,在潜在空间中更好地补偿对初始有限图像级变换的依赖,捕捉更稳定的领域不变因果特征以实现泛化。
- 领域游戏:解开解剖特征以进行单一领域的广义分割
我们提出了一个名为 “Domain Game” 的新框架,用于更好地分离医学图像分割中的诊断相关特征和领域特定特征,通过对特征空间中的特征集施加力来推动或排斥它们,在前列腺分割和脑肿瘤分割方面相较于次佳方法分别展示了约 11.8% 和约 1 - ICMLStyDeSty: 单域泛化的极值风格化与去风格化技术
提出了一种名为 StyDeSty 的简单而有效的方案,通过显式考虑数据增强过程中源域和伪域之间的对齐,使它们能够以自洽的方式相互作用,并进一步产生具有强大泛化能力的潜在域,从而在多个基准测试中取得了令人鼓舞的结果,在分类准确率上超过现有技术 - ConDiSR:单域泛化的对比解缠和风格规范化
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。 - CVPR人群计数的单一领域泛化
通过使用单一内存库进行特征重构、多样性密度图回归和辅助任务分类,提出了一种名为 MPCount 的单一领域泛化方法,有效地解决了图像中的人群计数问题中的域偏移问题,并在不同数据集上实验证明其在狭窄源分布的训练数据中的非常准确的标签上优于现有 - AAAIAdvST: 重访单领域泛化的数据增强
使用可学习参数的语义转换的敌对学习(AdvST)通过对源领域数据进行语义转换增强并学习鲁邦岛移情据从而优化在语义分布上定义的分布鲁邦岛优化目标。与现有方法相比,AdvST 具有竞争力且在 Digits,PACS 和 DomainNet 数据 - MetaDefa: 基于域增强和特征对齐的单域泛化元学习
基于领域增强和特征对齐的元学习方法被提出,以改善单一领域泛化模型的泛化性能。利用背景替换和视觉破坏技术生成多样和有效的增强领域,设计了基于类激活图和类不可知激活图的多通道特征对齐模块,以提取足够的可迁移知识。在两个公开数据集上的广泛实验表明 - 单域泛化的新型交叉扰动
单域广义化通过在单个源域上训练以提高模型对未知域的泛化能力,然而,有限的训练数据多样性影响了域不变特征的学习,导致泛化性能下降。为了解决这个问题,我们提出了一种名为 CPerb 的简单而有效的跨扰动方法,该方法利用水平和垂直操作来增强训练数 - 基于归一化互相关卷积的单域泛化
本文探讨了一种名为 XCNorm 的线性算子,该算子使用权重和输入特征图之间的归一化交叉相关来提高深度神经网络的鲁棒性,在单域通用基准测试中表现出与最先进方法相当的性能。
- CVPR单域泛化的元因果学习
本文提出了一种新的学习范式,即模拟 - 分析 - 减少,旨在模拟域漂移并减轻模型自适应过程中的域漂移,我们使用元因果学习方法来学习元知识,在测试期间使用元知识分析目标域和源域之间的偏移,并将因果推理纳入基于因素的域对齐中,实验证明了我们的方 - CVPR单域泛化的渐进式随机卷积
研究提出了一种逐渐堆叠具有小卷积核的随机卷积层的渐进式方法来解决 RandConv 结构的局限性, 并将基本随机卷积层开发成一个包括可变形偏移和仿射变换的随机卷积块,以支持纹理和对比度的多样化。该策略在单一领域泛化基准测试中表现优异。
- CVPR通用单域推广的模态不可知去偏差
提出了一种适用于多种不同模态的深度神经网络的单一领域通用性(single-DG)算法,称之为 Modality-Agnostic Debiasing (MAD),它采用一个新颖的双分支分类器,一支专注于识别特定领域的表层特征,另一个则利用来 - AAAI神经网络失去了泛化能力?一个模型敏感性的视角
本文提出了一种针对 Single Domain Generalization 的新策略 ——Spectral Adversarial Data Augmentation,通过提高模型对高敏感频率的学习能力,从而有效提高模型的泛化能力,各项实 - AAAI基于形状词典的医学图像分割单域泛化的测试时适应
本文研究单一领域通用的医学图像分割问题,提出了一种利用领域间不变的形状先验信息和测试时的适应策略以提高模型通用性的方法,并在两个医学图像分割任务上进行了广泛实验验证。
- ICCV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%。
- CVPR单领域泛化的对抗自适应归一化
本文提出了一种通用的标准化方法 — 自适应标准化和重新缩放标准化(ASR-Norm),通过神经网络学习标准化和重新缩放的统计数据,可以进一步提高单域泛化模型的范化能力,特别是在源域与目标域差异较大的情况下,该方法在 Digits、CIFAR - CVPR基于渐进式领域扩展的单领域泛化网络
本文提出了一种新的学习框架,名为渐进域扩展网络(PDEN),用于单域泛化。该方法通过扩展训练域的覆盖范围来学习跨域不变表示,并使用对应的对策提高了应用实践中的泛化性能。PDEN 表现出与现有最先进单域泛化方法相比高达 15.28% 的改进。
- CVPR学习单域通用性
本篇文章介绍了一种名为对抗域增强的方法,用于在单一训练域情况下提高模型的泛化性能,通过使用元学习方案和 WAE 来松弛最坏情况限制,并在多个基准数据集上广泛实验,验证了该方法对于缓解单一域泛化问题的优越表现。