解耦特征的聚合：重新审视领域泛化中的领域差异
计算机视觉与模式识别
2023-09-22 v5
摘要
领域泛化（Domain Generalization, DG）是机器学习模型面临的一项根本性挑战，旨在提升模型在各类领域上的泛化能力。以往方法侧重于从多个源域中生成领域不变特征。然而，我们认为领域差异同样包含对下游任务有用的信息，即分类感知信息，而这一点在很大程度上被忽视了。不同于从源域学习领域不变特征，我们将输入图像解耦为领域专家特征与噪声。所提出的领域专家特征位于一个学习到的隐空间中，在该空间中每个领域的图像均可被独立分类，从而能够隐式地利用分类感知的领域差异。基于这一分析，我们提出了一种名为领域解耦网络（Domain Disentanglement Network, DDN）的新范式，从源域图像中解耦出领域专家特征，并聚合这些源域专家特征以表征目标测试域。我们还提出了一种新的对比学习方法，引导领域专家特征形成更平衡且可分离的特征空间。在广泛使用的基准数据集PACS、VLCS、OfficeHome、DomainNet和TerraIncognita上的实验表明，与近期提出的替代方法相比，我们的方法具有竞争力的性能。
引用
@article{arxiv.2302.02350,
title = {Aggregation of Disentanglement: Reconsidering Domain Variations in Domain Generalization},
author = {Daoan Zhang and Mingkai Chen and Chenming Li and Lingyun Huang and Jianguo Zhang},
journal= {arXiv preprint arXiv:2302.02350},
year = {2023}
}