面向分布外泛化的技巧集
计算机视觉与模式识别
2022-10-25 v1 机器学习
摘要
近来，分布外（OOD）泛化因深度学习模型的鲁棒性与泛化能力而受到关注，相应地，许多策略被提出以应对与该问题相关的不同方面。然而，大多数现有的 OOD 泛化算法较为复杂且专为特定数据集设计。为缓解此问题，nicochallenge-2022 提供了 NICO++，一个具有多样上下文信息的大规模数据集。在本文中，基于对 NICO++ 数据集上不同方案的系统性分析，我们提出一种简单而有效的学习框架，通过耦合技巧集实现，包括多目标框架设计、数据增强、训练与推断策略。我们的算法内存高效且易于部署，无需复杂模块，也不依赖大型预训练模型。它在公开测试集上以 88.16% 的 Top-1 准确率、私有测试集上 75.65% 的 Top-1 准确率取得优异性能，并在 nicochallenge-2022 的域泛化任务中排名第一。
引用
@article{arxiv.2208.10722,
title = {Bag of Tricks for Out-of-Distribution Generalization},
author = {Zining Chen and Weiqiu Wang and Zhicheng Zhao and Aidong Men and Hong Chen},
journal= {arXiv preprint arXiv:2208.10722},
year = {2022}
}