一种用于单域泛化的新型交叉扰动方法

单域泛化旨在仅以单一源域训练时增强模型对未知域的泛化能力。然而，训练数据中有限的多样性阻碍了域不变特征的学习，导致泛化性能受损。为此，数据扰动（增强）已成为增加数据多样性的关键方法。尽管如此，现有扰动方法常独立关注图像级或特征级扰动，忽视了二者的协同效应。为克服这些局限，我们提出 CPerb，一种简单而有效的交叉扰动方法。具体而言，CPerb 同时利用横向与纵向操作。横向上，它施加图像级与特征级扰动以增强训练数据多样性，缓解单源域中多样性有限的问题。纵向上，它引入多路径扰动，从相同语义类别样本的不同视角学习域不变特征，从而提升模型泛化能力。此外，我们提出 MixPatch，一种利用局部图像风格信息进一步丰富训练数据的新型特征级扰动方法。在多个基准数据集上的大量实验验证了本方法的有效性。