提升语义细分的泛化与未见的风格基于搜索的超级学习
概括
本研究引入了使用元学习进行域泛化 (DG) 的新框架,以提高对未见数据的模型性能,即使只有一个训练域. 该方法增强了数据多样性,并驱动域不变性,以便更好地概括.
科学领域:
- 计算机科学 计算机科学
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 域泛化 (DG) 旨在使模型在未见的数据域上表现良好.
- 现有的方法在训练数据多样性有限的情况下扎,阻碍了通用化.
- 单一领域的GD (SDG) 呈现了一个特别具有挑战性的场景.
研究的目的:
- 提出一个新的框架,看不见的风格寻找基于元学习 (USSML),为单域概括.
- 增强培训数据的多样性,扩大分发边界.
- 在语义细分任务中改进模型概括能力.
主要方法:
- 从单个源域中,USSML构建了多个具有不同风格的可信域.
- 域组合应用于全球和实例级别,以模拟未见的图像.
- 超学习优化了跨生成域的模型,以实现域不变性.
主要成果:
- USSML有效地改善了在未见域上的模型概括.
- 拟议的方法在广泛的实验中证明了它对现有方法的优越性.
- USSML可以很容易地集成到现有的细分方法中,计算开销最小.
结论:
- 对于单域泛化挑战,USSML提供了一个强大的解决方案.
- 该框架增强了域内不变性,并扩大了培训数据的分布.
- 这种方法显著推进了用于语义细分的域概括领域.
