基于因果的双对比学习域泛化框架
计算机视觉与模式识别
2023-03-23 v2
摘要
域泛化（DG）本质上是分布外泛化的一个分支，其从多个源域训练模型并泛化至未见目标域。近来出现了一些域泛化算法，但多数采用不可迁移的复杂架构设计。此外，对比学习因简洁高效而成为DG中有前景的方案。然而，现有对比学习忽视了导致严重模型混淆的域偏移。本文中，我们提出一种基于特征与原型对比的双对比学习（DCL）模块。此外，我们设计了一种新颖的因果融合注意力（CFA）模块，以融合单张图像的多样视图来获得原型。进一步，我们引入基于相似度的难样本对挖掘（SHM）策略，以利用多样性偏移的信息。大量实验表明，我们的方法在三个DG数据集上优于最先进算法。所提算法亦可作为即插即用模块使用，且无需域标签。
引用
@article{arxiv.2301.09120,
title = {Causality-based Dual-Contrastive Learning Framework for Domain Generalization},
author = {Zining Chen and Weiqiu Wang and Zhicheng Zhao and Aidong Men},
journal= {arXiv preprint arXiv:2301.09120},
year = {2023}
}
备注
Inadequate proof of the effectiveness of the method