数据集。Sen1Floods11[8] 是一个用于全球洪水映射的公共数据集。该数据集提供了全球范围内的4,831个512 x 512的分辨率为10米的卫星图像,涵盖了11个不同的洪水事件,总共覆盖了120,406平方千米的区域。每个图像都附带有像素级的标签。11个洪水事件的位置如图 3(左)所示。不同的洪水事件在边界条件、地形和其他潜在因素上存在变化,对现有模型的可靠性和可解释性提出了显著的OOD挑战。按照[8]的约定,事件“BOL”被保留作为测试集,其他事件的数据随机划分为训练集和验证集,比例为80%和20%。结果。我们在上表中展示了Sen1Floods11的结果。ERM在验证集上获得了最高的Intersection over Union (IoU),而TRO在测试集上获得了最高的IoU。结果证明,TRO在未见的洪水事件上比其他基准模型表现出更好的性能。
四、结语
我们的贡献包括:
一种新的优化方法,通过无缝地集成拓扑信息,以增强模型的分布外(OOD)泛化性能。
理论分析证明我们的方法在凸和非凸损失函数下都具有快速收敛性,同时对泛化风险进行了严格的界定。
在包括分类、回归和语义分割在内的广泛任务中的实验结果证明我们的方法相对于SOTA具有更优越的性能。
数据驱动的分布拓扑与领域知识一致,并增强了模型的可解释性。
参考文献
[1] Namkoong et al. Stochastic gradient methods for distributionally robust optimization with f-divergences. NeurIPS 2016
[2] Robey et al. Model-based domain generalization. NeurIPS 2021
[3] Hu et al. Does distributionally robust supervised learning give robust classifiers? ICML 2018
[4] Leeb et al. Hölder–lipschitz norms and their duals on spaces with semigroups, with applications to earth mover’s distance. Journal of Fourier Analysis and Applications, 2016
[5] Tong et al. Diffusion earth mover’s distance and distribution embeddings. ICML 2021
[6] Newman. A measure of betweenness centrality based on random walks. Social networks, 2005
[7] Xu et al. Graph-relational domain adaptation. ICLR 2022
[8] Bonafilia et al. Sen1floods11: A georefer- enced dataset to train and test deep learning flood algorithms for sentinel-1. CVPR Workshops, 2020
招生信息 特拉华大学(University of Delaware)计算机系(Computer and Information Sciences) 招收2024 Spring/Fall全奖博士生 研究方向:
Robust and Explainable DL;
Human-centered Computer Vision.
导师:彭曦(Dr. Xi Peng, Assistant Professor)关于实验室:我们持续在顶会发表工作包括NeurIPS, ICLR, CVPR, ICCV, ECCV, KDD, AAAI, IJCAI;近些年入学的几位同学已经在CVPR’20-23,AAAI’21,TPAMI'22,ICLR'23,ICCV'23 发表一作论文并且荣获 NeurIPS’21 Workshop Best Paper Award;我们与北美多家工业界实验室合作紧密可推荐优秀学生前往暑期实习Google Research, Snap Research, Amazon AWS, IBM Watson Research.更多信息:https://deep-real.github.io/邮件:xipeng@udel.edu邮箱主题/简历命名格式:博士申请+姓名作者:乔逢春
Illustration by IconScout Store from IconScout-The End-