AdvST：重访单域泛化的数据增强
计算机视觉与模式识别
2024-02-15 v2
摘要
单域泛化（SDG）旨在利用来自单一源域的数据训练一个能够抵抗未知目标域偏移的鲁棒模型。数据增强已被证明是 SDG 的一种有效方法。然而，标准增强（如平移或反转）的效用尚未在 SDG 中得到充分利用；实际上，这些增强仅作为数据预处理程序的一部分使用。虽然直观上使用多种此类增强可以提高模型对分布外域偏移的鲁棒性，但我们缺乏一种原则性的方法来获取多种增强带来的益处。在此，我们将具有可学习参数的标准数据增强概念化为语义变换，其能够操纵样本的某些语义，例如图像的几何形状或颜色。随后，我们提出了带有语义变换的对抗学习（AdvST），该方法利用语义变换增强源域数据，并利用增强后的数据学习鲁棒模型。我们从理论上证明，AdvST 本质上优化了定义在由语义变换参数诱导的一组语义分布上的分布鲁棒优化目标。我们表明，AdvST 能够生成扩展目标域数据覆盖范围的样本。与最先进的方法相比，AdvST 尽管方法简单，却具有惊人的竞争力，并在 Digits、PACS 和 DomainNet 数据集上取得了最佳的平均 SDG 性能。我们的代码可在 https://github.com/gtzheng/AdvST 获取。
引用
@article{arxiv.2312.12720,
title = {AdvST: Revisiting Data Augmentations for Single Domain Generalization},
author = {Guangtao Zheng and Mengdi Huai and Aidong Zhang},
journal= {arXiv preprint arXiv:2312.12720},
year = {2024}
}
备注
Accepted to AAAI 2024