面向单源域泛化的 CNN 特征图增强
计算机视觉与模式识别
2023-12-05 v3
摘要
在寻求鲁棒且可泛化的机器学习模型的过程中，域泛化（Domain Generalization, DG）在过去几年中获得了显著关注。DG 的目标是产生在面临与训练时不同的数据分布时仍能表现良好的模型。尽管深度卷积神经网络（CNN）已在下游计算机视觉任务上取得卓越性能，它们仍常常无法在先前未见过的数据域上泛化。因此，在本工作中我们专注于产生一个能在数据分布偏移下保持鲁棒的模型，并针对单源 DG 图像分类设定提出一种用于卷积神经网络架构的替代正则化技术。为缓解源数据与目标数据间域偏移导致的问题，我们提出对 CNN 的中间特征图进行增强。具体而言，我们将其通过一个新颖的增强层（Augmentation Layer）以防止模型在训练集上过拟合并改善其跨域泛化能力。据我们所知，这是首篇针对 DG 图像分类设定提出此类方案的论文。在 PACS、VLCS、Office-Home 和 TerraIncognita 的 DG 基准数据集上的实验验证了我们的方法的有效性，其中我们的模型在大多数情况下超越了最先进（state-of-the-art）算法。
引用
@article{arxiv.2305.16746,
title = {CNN Feature Map Augmentation for Single-Source Domain Generalization},
author = {Aristotelis Ballas and Christos Diou},
journal= {arXiv preprint arXiv:2305.16746},
year = {2023}
}
备注
In proceedings of IEEE BigDataService2023 (https://ieeebigdataservice.com/)