激活与拒绝：面向类别偏移下安全域泛化
计算机视觉与模式识别
2023-10-10 v1 机器学习
摘要
尽管深度神经网络在域内测试点上表现优异，但在开放世界中部署时，由于常出现新颖域与物体类别，其难以获得满意精度。本文研究一种实际问题——类别偏移下的域泛化（DGCS），旨在同时检测目标域中的未知类样本并分类已知类样本。相较先前DG工作，我们面临两个新挑战：1）仅用源域已知类样本训练时如何学习“未知”概念；2）如何将源域训练模型适配至未见环境以实现安全部署。为此，我们提出一种新颖的激活与拒绝（ART）框架，重塑模型决策边界以容纳未知类，并借助无标签测试数据进行事后修正以进一步区分已知与未知类。具体而言，训练时我们通过优化未知概率来促进对未知类的响应，随后平滑整体输出以缓解过度自信问题。测试时，我们引入逐步在线适配方法，借助跨域最近邻与类原型信息预测标签，无需更新网络参数或使用基于阈值的机制。实验表明，ART持续提升了深度网络在不同视觉任务上的泛化能力。在图像分类中，ART相较先前最优方法平均提升H-score达6.1%。在目标检测与语义分割中，我们建立了新基准并取得具竞争力的性能。
引用
@article{arxiv.2310.04724,
title = {Activate and Reject: Towards Safe Domain Generalization under Category Shift},
author = {Chaoqi Chen and Luyao Tang and Leitian Tao and Hong-Yu Zhou and Yue Huang and Xiaoguang Han and Yizhou Yu},
journal= {arXiv preprint arXiv:2310.04724},
year = {2023}
}
备注
ICCV 2023