为单源域泛化构建分布迁移：验证与训练
计算机视觉与模式识别
2024-10-01 v1
摘要
单源域泛化旨在在源域上学习模型并部署到未见目标域。仅限于源域数据存在两个关键挑战——如何训练能够泛化的模型以及如何验证其泛化能力。标准做法在训练分布上进行验证无法准确反映模型的泛化能力，而在测试分布上进行验证则是不当的规避行为。本文通过对源域图像进行综合性的增强转换来构建独立的验证集，涵盖目标域中潜在分布迁移的广泛 spectrum。我们在多个方法和数据集上证明了验证结果与测试性能之间的高度相关性。所提验证方法在标准验证用于方法选择或学习率调优时分别实现了约 15.4% 或 1.6% 的相对准确率提升。此外，我们引入了一系列新方法，通过增强边缘图来提高 shape bias。为在训练中受益于增强并保持验证集的独立性，设计了一种 k 折验证流程，以分离训练和验证中使用的增强类型。该方法在各种标准基准上实现了最佳性能。代码请访问：https://github.com/NikosEfth/crafting-shifts
引用
@article{arxiv.2409.19774,
title = {Crafting Distribution Shifts for Validation and Training in Single Source Domain Generalization},
author = {Nikos Efthymiadis and Giorgos Tolias and Ondřej Chum},
journal= {arXiv preprint arXiv:2409.19774},
year = {2024}
}
备注
WACV 2025