基于扩散模型数据增广的域泛化方法

TP39; 域泛化是计算机视觉领域中一个重要且具有挑战性的问题,该问题源于现实场景中的数据分布偏移.在实际应用中,通常会遇到训练数据和测试数据来自不同的数据域的情况,这种数据分布的差异会导致测试时准确率下降.因此,提出了一种基于隐空间数据增广的域泛化方法,与传统图像级数据增广方法不同,该方法在隐空间中引入扩散模型,以实现对特征的精细控制和多样性生成,从而提升模型在目标域上的泛化能力.具体来说,基于分类器的隐式扩散模型在隐空间训练后可以条件生成准确且丰富的源域特征,并利用高效的采样方法加速生成增广特征.实验结果表明,新提出的方法在各种域泛化任务上取得了显著的性能提升,在真实场景中有较好的有效性和...

Full description

Saved in:
Bibliographic Details
Published in:智能科学与技术学报 2023-09, Vol.5 (3), p.380-388
Main Authors: 童煜钧, 王荷清, 罗悦恒, 宁文欣, 关曼丹, 喻雯晴, 黄柯彦, 张加迅, 马占宇
Format: Article
Language:Chinese
Subjects:
域泛化
扩散模型
数据增广
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
cited_by
cites
container_end_page 388
container_issue 3
container_start_page 380
container_title 智能科学与技术学报
container_volume 5
creator 童煜钧
王荷清
罗悦恒
宁文欣
关曼丹
喻雯晴
黄柯彦
张加迅
马占宇
description TP39; 域泛化是计算机视觉领域中一个重要且具有挑战性的问题,该问题源于现实场景中的数据分布偏移.在实际应用中,通常会遇到训练数据和测试数据来自不同的数据域的情况,这种数据分布的差异会导致测试时准确率下降.因此,提出了一种基于隐空间数据增广的域泛化方法,与传统图像级数据增广方法不同,该方法在隐空间中引入扩散模型,以实现对特征的精细控制和多样性生成,从而提升模型在目标域上的泛化能力.具体来说,基于分类器的隐式扩散模型在隐空间训练后可以条件生成准确且丰富的源域特征,并利用高效的采样方法加速生成增广特征.实验结果表明,新提出的方法在各种域泛化任务上取得了显著的性能提升,在真实场景中有较好的有效性和鲁棒性.该方法的创新点在于将数据增广焦点转移到隐空间级别,并引入扩散模型进行增广,为解决域泛化问题提供了一种新的思路.
doi_str_mv 10.11959/j.issn.2096-6652.202334
format article
fullrecord <record><control><sourceid>wanfang_jour_doaj_</sourceid><recordid>TN_cdi_doaj_primary_oai_doaj_org_article_5381e16ecbfa442ab7125d8aed738c98</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>znkxyjsxb202303009</wanfj_id><doaj_id>oai_doaj_org_article_5381e16ecbfa442ab7125d8aed738c98</doaj_id><sourcerecordid>znkxyjsxb202303009</sourcerecordid><originalsourceid>FETCH-LOGICAL-d1719-470f144ae54a94241c8b3c150a2a01034ee189b37d53986f1a1652251da888ce3</originalsourceid><addsrcrecordid>eNo9kD1Lw1AYhe-gYKn9D85C633vR3LvKMWPguCic3iT3JTEmkii2Dq7iB9bOyi0qIsuInRqF_-Muf4NoxWnczjDw8MhZA1oC0BLvZG04qJIW4xqp-k4klWNcS6WSO1_WiGNooh9KoA5wB23Rmg5mX_O7-zVqx0-25fHcnxth-_29q18Gpezj6_7y3IysdOH8mZkRzM7Ha6S5Qh7hWn8ZZ0cbm8dtHebe_s7nfbmXjMEF3RTuDQCIdBIgVowAYHyeQCSIkMKlAtjQGmfu6HkWjkRIFR-TEKISqnA8DrpLLhhhol3ksfHmA-8DGPvd8jyrof5aRz0jCe5AgOOCfwIhWDou8BkqNCELleBVhVrfcE6xzTCtOsl2VmeVvbeRXrUHyRF3__5inJKNf8G9hxx4Q</addsrcrecordid><sourcetype>Open Website</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于扩散模型数据增广的域泛化方法</title><source>DOAJ Directory of Open Access Journals</source><creator>童煜钧 ; 王荷清 ; 罗悦恒 ; 宁文欣 ; 关曼丹 ; 喻雯晴 ; 黄柯彦 ; 张加迅 ; 马占宇</creator><creatorcontrib>童煜钧 ; 王荷清 ; 罗悦恒 ; 宁文欣 ; 关曼丹 ; 喻雯晴 ; 黄柯彦 ; 张加迅 ; 马占宇</creatorcontrib><description>TP39; 域泛化是计算机视觉领域中一个重要且具有挑战性的问题,该问题源于现实场景中的数据分布偏移.在实际应用中,通常会遇到训练数据和测试数据来自不同的数据域的情况,这种数据分布的差异会导致测试时准确率下降.因此,提出了一种基于隐空间数据增广的域泛化方法,与传统图像级数据增广方法不同,该方法在隐空间中引入扩散模型,以实现对特征的精细控制和多样性生成,从而提升模型在目标域上的泛化能力.具体来说,基于分类器的隐式扩散模型在隐空间训练后可以条件生成准确且丰富的源域特征,并利用高效的采样方法加速生成增广特征.实验结果表明,新提出的方法在各种域泛化任务上取得了显著的性能提升,在真实场景中有较好的有效性和鲁棒性.该方法的创新点在于将数据增广焦点转移到隐空间级别,并引入扩散模型进行增广,为解决域泛化问题提供了一种新的思路.</description><identifier>ISSN: 2096-6652</identifier><identifier>DOI: 10.11959/j.issn.2096-6652.202334</identifier><language>chi</language><publisher>北京邮电大学人工智能学院,北京 100876%北京空间飞行器总体设计部,北京 100094</publisher><subject>域泛化 ; 扩散模型 ; 数据增广</subject><ispartof>智能科学与技术学报, 2023-09, Vol.5 (3), p.380-388</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><lds50>peer_reviewed</lds50><oa>free_for_read</oa><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/znkxyjsxb/znkxyjsxb.jpg</thumbnail><link.rule.ids>314,780,784,864,2101,27923,27924</link.rule.ids></links><search><creatorcontrib>童煜钧</creatorcontrib><creatorcontrib>王荷清</creatorcontrib><creatorcontrib>罗悦恒</creatorcontrib><creatorcontrib>宁文欣</creatorcontrib><creatorcontrib>关曼丹</creatorcontrib><creatorcontrib>喻雯晴</creatorcontrib><creatorcontrib>黄柯彦</creatorcontrib><creatorcontrib>张加迅</creatorcontrib><creatorcontrib>马占宇</creatorcontrib><title>基于扩散模型数据增广的域泛化方法</title><title>智能科学与技术学报</title><description>TP39; 域泛化是计算机视觉领域中一个重要且具有挑战性的问题,该问题源于现实场景中的数据分布偏移.在实际应用中,通常会遇到训练数据和测试数据来自不同的数据域的情况,这种数据分布的差异会导致测试时准确率下降.因此,提出了一种基于隐空间数据增广的域泛化方法,与传统图像级数据增广方法不同,该方法在隐空间中引入扩散模型,以实现对特征的精细控制和多样性生成,从而提升模型在目标域上的泛化能力.具体来说,基于分类器的隐式扩散模型在隐空间训练后可以条件生成准确且丰富的源域特征,并利用高效的采样方法加速生成增广特征.实验结果表明,新提出的方法在各种域泛化任务上取得了显著的性能提升,在真实场景中有较好的有效性和鲁棒性.该方法的创新点在于将数据增广焦点转移到隐空间级别,并引入扩散模型进行增广,为解决域泛化问题提供了一种新的思路.</description><subject>域泛化</subject><subject>扩散模型</subject><subject>数据增广</subject><issn>2096-6652</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><sourceid>DOA</sourceid><recordid>eNo9kD1Lw1AYhe-gYKn9D85C633vR3LvKMWPguCic3iT3JTEmkii2Dq7iB9bOyi0qIsuInRqF_-Muf4NoxWnczjDw8MhZA1oC0BLvZG04qJIW4xqp-k4klWNcS6WSO1_WiGNooh9KoA5wB23Rmg5mX_O7-zVqx0-25fHcnxth-_29q18Gpezj6_7y3IysdOH8mZkRzM7Ha6S5Qh7hWn8ZZ0cbm8dtHebe_s7nfbmXjMEF3RTuDQCIdBIgVowAYHyeQCSIkMKlAtjQGmfu6HkWjkRIFR-TEKISqnA8DrpLLhhhol3ksfHmA-8DGPvd8jyrof5aRz0jCe5AgOOCfwIhWDou8BkqNCELleBVhVrfcE6xzTCtOsl2VmeVvbeRXrUHyRF3__5inJKNf8G9hxx4Q</recordid><startdate>20230915</startdate><enddate>20230915</enddate><creator>童煜钧</creator><creator>王荷清</creator><creator>罗悦恒</creator><creator>宁文欣</creator><creator>关曼丹</creator><creator>喻雯晴</creator><creator>黄柯彦</creator><creator>张加迅</creator><creator>马占宇</creator><general>北京邮电大学人工智能学院,北京 100876%北京空间飞行器总体设计部,北京 100094</general><general>POSTS&amp;TELECOM PRESS Co., LTD</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope><scope>DOA</scope></search><sort><creationdate>20230915</creationdate><title>基于扩散模型数据增广的域泛化方法</title><author>童煜钧 ; 王荷清 ; 罗悦恒 ; 宁文欣 ; 关曼丹 ; 喻雯晴 ; 黄柯彦 ; 张加迅 ; 马占宇</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-LOGICAL-d1719-470f144ae54a94241c8b3c150a2a01034ee189b37d53986f1a1652251da888ce3</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><topic>域泛化</topic><topic>扩散模型</topic><topic>数据增广</topic><toplevel>peer_reviewed</toplevel><toplevel>online_resources</toplevel><creatorcontrib>童煜钧</creatorcontrib><creatorcontrib>王荷清</creatorcontrib><creatorcontrib>罗悦恒</creatorcontrib><creatorcontrib>宁文欣</creatorcontrib><creatorcontrib>关曼丹</creatorcontrib><creatorcontrib>喻雯晴</creatorcontrib><creatorcontrib>黄柯彦</creatorcontrib><creatorcontrib>张加迅</creatorcontrib><creatorcontrib>马占宇</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><collection>DOAJ Directory of Open Access Journals</collection><jtitle>智能科学与技术学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>童煜钧</au><au>王荷清</au><au>罗悦恒</au><au>宁文欣</au><au>关曼丹</au><au>喻雯晴</au><au>黄柯彦</au><au>张加迅</au><au>马占宇</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于扩散模型数据增广的域泛化方法</atitle><jtitle>智能科学与技术学报</jtitle><date>2023-09-15</date><risdate>2023</risdate><volume>5</volume><issue>3</issue><spage>380</spage><epage>388</epage><pages>380-388</pages><issn>2096-6652</issn><abstract>TP39; 域泛化是计算机视觉领域中一个重要且具有挑战性的问题,该问题源于现实场景中的数据分布偏移.在实际应用中,通常会遇到训练数据和测试数据来自不同的数据域的情况,这种数据分布的差异会导致测试时准确率下降.因此,提出了一种基于隐空间数据增广的域泛化方法,与传统图像级数据增广方法不同,该方法在隐空间中引入扩散模型,以实现对特征的精细控制和多样性生成,从而提升模型在目标域上的泛化能力.具体来说,基于分类器的隐式扩散模型在隐空间训练后可以条件生成准确且丰富的源域特征,并利用高效的采样方法加速生成增广特征.实验结果表明,新提出的方法在各种域泛化任务上取得了显著的性能提升,在真实场景中有较好的有效性和鲁棒性.该方法的创新点在于将数据增广焦点转移到隐空间级别,并引入扩散模型进行增广,为解决域泛化问题提供了一种新的思路.</abstract><pub>北京邮电大学人工智能学院,北京 100876%北京空间飞行器总体设计部,北京 100094</pub><doi>10.11959/j.issn.2096-6652.202334</doi><tpages>9</tpages><oa>free_for_read</oa></addata></record>
fulltext fulltext
identifier ISSN: 2096-6652
ispartof 智能科学与技术学报, 2023-09, Vol.5 (3), p.380-388
issn 2096-6652
language chi
recordid cdi_doaj_primary_oai_doaj_org_article_5381e16ecbfa442ab7125d8aed738c98
source DOAJ Directory of Open Access Journals
subjects 域泛化
扩散模型
数据增广
title 基于扩散模型数据增广的域泛化方法
url http://sfxeu10.hosted.exlibrisgroup.com/loughborough?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-08T19%3A19%3A11IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour_doaj_&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E6%89%A9%E6%95%A3%E6%A8%A1%E5%9E%8B%E6%95%B0%E6%8D%AE%E5%A2%9E%E5%B9%BF%E7%9A%84%E5%9F%9F%E6%B3%9B%E5%8C%96%E6%96%B9%E6%B3%95&rft.jtitle=%E6%99%BA%E8%83%BD%E7%A7%91%E5%AD%A6%E4%B8%8E%E6%8A%80%E6%9C%AF%E5%AD%A6%E6%8A%A5&rft.au=%E7%AB%A5%E7%85%9C%E9%92%A7&rft.date=2023-09-15&rft.volume=5&rft.issue=3&rft.spage=380&rft.epage=388&rft.pages=380-388&rft.issn=2096-6652&rft_id=info:doi/10.11959/j.issn.2096-6652.202334&rft_dat=%3Cwanfang_jour_doaj_%3Eznkxyjsxb202303009%3C/wanfang_jour_doaj_%3E%3Cgrp_id%3Ecdi_FETCH-LOGICAL-d1719-470f144ae54a94241c8b3c150a2a01034ee189b37d53986f1a1652251da888ce3%3C/grp_id%3E%3Coa%3E%3C/oa%3E%3Curl%3E%3C/url%3E&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=znkxyjsxb202303009&rfr_iscdi=true