面向未见域中未见类别识别的上下文条件自适应方法
计算机视觉与模式识别
2021-07-16 v1
摘要
近期，旨在设计能够泛化到未见域（即域泛化）或未见类别（即零样本学习）的模型取得了进展，并引发了构建可同时应对域偏移与语义偏移（即零样本域泛化）模型的研究兴趣。要使模型泛化到未见域中的未见类别，关键在于学习既能保留类别级（域不变）信息又能保留域特定信息的特征表示。受生成式零样本方法的成功启发，我们提出了一种特征生成框架，并集成了上下文条件自适应（COCOA）批归一化，以无缝融合类别级语义与域特定信息。所生成的视觉特征能更好地捕捉底层数据分布，使我们在测试时泛化到未见类别与域。我们在已建立的大规模基准 DomainNet 上对我们的方法进行了充分评估与分析，并展示出优于基线方法与当前最优（SOTA）方法的性能。
引用
@article{arxiv.2107.07497,
title = {Context-Conditional Adaptation for Recognizing Unseen Classes in Unseen Domains},
author = {Puneet Mangla and Shivam Chandhok and Vineeth N Balasubramanian and Fahad Shahbaz Khan},
journal= {arXiv preprint arXiv:2107.07497},
year = {2021}
}