.png){kind=icon}
返回
Class-Aware Diversified Augmentation for Open-Set Single Domain Generalization
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3645625.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在开放集单域泛化（OS-SDG）中，训练时仅能访问单个有标签的源域。该方法假设学习到的模型能够很好地泛化到属于源标签空间的样本，并将源标签空间之外的样本分类到一个单一的“未知”类别中。当前的方法通过合成与已知类别语义无关的新样本，来模拟目标未知类别。然而，这忽略了未知类别实际上可能与已知类别存在语义相关性，导致难以将位于类别决策边界边缘的样本判别为“未知”。为此，我们提出了一种类别感知多样化增强（CADA）方法来解决此问题。我们的核心思想是显式合成多个具有多样化语义的新未知目标类别，并学习已知与未知类别之间的内在相关性，从而在增加多个目标未知类别覆盖范围的同时优化类别边界分离。CADA通过增强的多样性最大化与类别感知最小化进行优化。前者通过同时考虑与已知类别的语义关系以及源域与目标域之间的领域漂移，合成更多新颖类别；后者则利用合成样本进行类别无关聚类，以模拟目标类别间的相关性，最大化类别边界分离。理论分析与五个基准上的实验结果均证明了CADA的有效性。
Keyword:
Transfer learning
semi-supervised learning
domain generalization
期刊
IF:
9.7
论文数:
4.5K
被引数:
2.4W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容