用于域泛化的交叉对比特征扰动
计算机视觉与模式识别
2023-08-17 v2
摘要
域泛化（DG）旨在从源域学习一个鲁棒模型，使其在未见目标域上良好泛化。近期研究聚焦于生成新颖的域样本或特征，以补充源域实现分布多样化。然而，这些方法难以应对如下限制：从多域合成的采样会导致语义失真。在本文中，我们提出一种在线单阶段交叉对比特征扰动（CCFP）框架，通过在潜空间生成扰动特征来模拟域偏移，同时正则化模型预测以抵御域偏移。不同于以往固定的合成策略，我们设计了具有可学习特征扰动与语义一致性约束的模块。与先前工作相反，我们的方法不使用任何基于生成的模型或域标签。我们在标准 DomainBed 基准上采用严格评估协议进行大量实验以实现公平比较。综合实验表明，我们的方法优于以往的 state-of-the-art，且定量分析说明我们的方法能缓解分布外（OOD）场景中的域偏移问题。
引用
@article{arxiv.2307.12502,
title = {Cross Contrasting Feature Perturbation for Domain Generalization},
author = {Chenming Li and Daoan Zhang and Wenjian Huang and Jianguo Zhang},
journal= {arXiv preprint arXiv:2307.12502},
year = {2023}
}