领域泛化 (Domain Generalization, DG) 是近几年非常热门的一个研究方向。它研究的问题是从若干个具有不同数据分布的数据集(领域)中学习一个泛化能力强的模型,以便在 未知(Unseen) 的测试集上取得较好的效果。本文介绍DG领域的第一篇综述文章《Generalizing to Unseen Domains: A Survey on Domain Generalization》。
近些年Cross Domain、Domain Adaptation、Domain Generalization经常出现在小样本学习论文中,本文针对上述三个名词做一下简要概述,并列举出了小样本学习领域论文中相关介绍的片段用于帮助理解。 上述三个概念中,均有Domain,Domain:中文表示--域,即领域,指需要学习的数据及其分布,更确切地说主要包括数据的特征空间X、类别空...
domain generalization 相当于就是说领域泛化吗?因为一般无论在nlp还是cv领域的generalization,比如模型的generalization 意思就是模型的泛化能力。那就此处的domain generalization表示跟domain adaptation有关model的泛化能力还是什么的泛化?这概念有点模糊 2021-08-08 ...
https://openaccess.thecvf.com/content/CVPR2022/papers/Kang_Style_Neophile_Constantly_Seeking_Novel_Styles_for_Domain_Generalization_CVPR_2022_paper.pdf 4.1 Motivation 目前大多数 DG 方法都提到要学一个 domain-invariant 的特征,这类方法通常假设每个域有不同的图像风格,然后 enforce 同一个类的图像在不同...
个人理解，OoDG是比DG范围更大的概念。前者可能涉及到base-to-new class问题，即目标域数据中可能有源...
域泛化(Domain Generalization)中有很多工作是用 meta learning 做的。Meta learning 在 few shot 中很常用,它的目的也是提升模型的泛化性,所以我们来看看 DG 中采用 meta learning 的工作。 Revisit Meta Learning Meta learning 的motivation 就是让模型学会学习。一个学会了如何学习的模型,自然就有好的泛化性。
Domain Generalization是Domain Adaptation的一种特殊问题,在DA的基础上,DG的目的为对于任意不可见的目标域都有很强的鲁棒性。 Domai...
自己第一次听说domain generalization和domain adaptation,故此简单记录一下。很多机器学习的任务都假设样本是独立同分布的(i.i.d),但是真实世界的数据往往不一样都满足。训练样本和测试样本之间分布可能存在偏差。这是因为数据集本身可能是存在biased,比如:比较经典的几个数据集imagenet,caltech等,都有各自的特点;还有...
Domain Adaptation 指知道训练数据的源域,也知道目标域,仅仅是缺少目标域的样本标签。 Domain generalization 指知道训练数据的源域 但是不知道目标域是什么,给猫狗数据集但是不知道后面是在具体什么数据集上测试。这样如果训练数据有多个源域的话,可以认为我们知道每个具体样本所属的域。但是实际场景中可能我们从不同源...
Domain Generalization 是用已有数据进行训练(已有数据可以是多个域),使得在从未见过的数据集上有更好的泛化能力。 这篇文章通过一个 Auto-Encoder 和 GAN 期望这个 Auto-Encoder 能够给出一个具有泛化能力的编码。 所以训练时的损失包含:正常分类损失+Auto-Encoder重建损失+多个域在编码后空间之间的MMD损失+GAN的损失...