面向单源域泛化的视觉破坏注意力一致性
计算机视觉与模式识别
2022-04-28 v1
摘要
将在单一分布上训练的视觉识别模型泛化到未见过的输入分布（即域），需要使其对训练集中的多余相关性具有鲁棒性。在这项工作中，我们通过改变训练图像以模拟新域，并对同一样本的不同视图施加一致的视觉注意力来实现这一目标。我们发现，第一个目标可以通过视觉破坏简单而有效地达成。具体来说，我们使用 ImageNet-C 基准的十九种破坏以及三种基于傅里叶变换的额外变换来改变训练图像的内容。由于这些破坏保留了物体的位置，我们提出了一种注意力一致性损失，以确保同一训练样本的原始版本和破坏版本之间的类别激活图对齐。我们将我们的模型命名为视觉破坏注意力一致性 (ACVC)。我们证明，ACVC 在三个单源域泛化基准（PACS、COCO 和大规模 DomainNet）上持续达到最先进水平。
引用
@article{arxiv.2204.13091,
title = {Attention Consistency on Visual Corruptions for Single-Source Domain Generalization},
author = {Ilke Cugu and Massimiliano Mancini and Yanbei Chen and Zeynep Akata},
journal= {arXiv preprint arXiv:2204.13091},
year = {2022}
}
备注
CVPRW 2022 - Camera ready version