.png){kind=icon}
返回
ClipMix for Domain Generalization
.png){kind=icon}
PRE
AI
DOI：10.1109/TCSVT.2025.3576937.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
领域泛化（DG）是机器学习中的一个新兴领域，旨在通过在多个源域上训练模型，从而实现对新目标域的有效泛化。近期研究表明，增强源域多样性的数据增强可能是一种有前景的解决方案。当前的数据增强方法使用随机融合系数或局部区域融合，无法根据数据自适应地设计权重，或保留原始语义的完整性。受包含丰富多模态知识的预训练模型CLIP启发，我们提出ClipMix以解决这些局限性。首先，我们利用CLIP模型作为外部知识，自适应地评估图像与其标签之间的对齐度，并利用这种对齐度评估学习每张图像的复杂度，以指导自适应增强。其次，我们实现了一个标签偏移机制，动态地为融合图像分配软标签，帮助模型关注难以学习的模式，同时收集领域无关的表示。此外，我们在像素和特征两个层面增强了融合图像的多样性。在四个数据库的十六个域上的实验结果验证了我们的方法的有效性。
Keyword:
Domain generalization
label shift
CLIP-guided mixing
期刊
IF:
11.1
论文数:
624
被引数:
3.1W
机构
引用论文
暂无论文信息