超越可见边界：面向单域泛化深度度量学习的类中心极化方法
计算机视觉与模式识别
2026-01-15 v1
摘要
单域泛化深度度量学习在测试时面临类别和域双重偏移的挑战，限制了其实际应用。因此，旨在对未见类别和未见域学习更好的泛化能力是 SDG-DML 任务的现实目标。为实现这一目标，现有 SDG-DML 方法采用域扩展-均衡策略来扩展源数据并生成分布外样本。然而，这些方法依赖基于代理的扩展，倾向于生成聚集在类代理附近的样本，无法模拟实践中遇到的广泛且遥远的域偏移。为缓解该问题，我们提出了 CenterPolar，一种新颖的 SDG-DML 框架，通过动态扩展和约束域分布来学习适用于更广泛目标域分布的泛化 DML 模型。具体而言，\textbf{CenterPolar} 包含两个协作的类中心极化阶段：（1）类中心离心扩展（）和（2）类中心向心约束（）。在第一阶段， 通过使用离心扩展将源数据推离类中心来驱动源域分布，以泛化到更多未见域。在第二阶段，为了巩固域不变的类信息以获得对未见类别的泛化能力， 将所有已见和未见样本拉向其类中心，同时通过向心约束强制类间分离。在广泛使用的 CUB-200-2011 Ext.、Cars196 Ext.、DomainNet、PACS 和 Office-Home 数据集上的大量实验结果证明了我们 CenterPolar 相对于现有 SOTA 方法的优越性和有效性。代码将在论文被接收后发布。
引用
@article{arxiv.2601.09121,
title = {Beyond Seen Bounds: Class-Centric Polarization for Single-Domain Generalized Deep Metric Learning},
author = {Xin Yuan and Meiqi Wan and Wei Liu and Xin Xu and Zheng Wang},
journal= {arXiv preprint arXiv:2601.09121},
year = {2026}
}
备注
Submitted to ACM TOMM