用于单源域泛化的对抗贝叶斯增强
计算机视觉与模式识别
2023-10-04 v2
摘要
泛化到未见图像域是一个具有挑战性的问题，主要由于训练数据缺乏多样性、目标数据不可访问，以及许多现实设置中可能存在的大域偏移。因此数据增强是寻求解决该问题的域泛化方法的关键组成部分。我们提出对抗贝叶斯增强（ABA），一种在具挑战性的单源域泛化设置中学习生成图像增强的新算法。ABA 利用对抗学习与贝叶斯神经网络的优势来引导多样化数据增强的生成——这些合成的图像域有助于分类器泛化到未见域。我们在多种域偏移上展示了 ABA 的优势，包括风格偏移、子群体偏移和医学影像设置中的偏移。ABA 优于所有先前最先进方法，包括预指定增强、基于像素和基于卷积的增强。
引用
@article{arxiv.2307.09520,
title = {Adversarial Bayesian Augmentation for Single-Source Domain Generalization},
author = {Sheng Cheng and Tejas Gokhale and Yezhou Yang},
journal= {arXiv preprint arXiv:2307.09520},
year = {2023}
}
备注
Accepted to ICCV 2023