CycleMix：用于风格依赖数据的域泛化的源域混合
计算机视觉与模式识别
2024-07-25 v2
摘要
随着深度学习系统成为日常生活中不可可缺少的部分，他们的泛化能力局限性日益凸显。机器学习算法通常依赖于独立同分布（i.i.d.）假设，即其训练和验证数据预期遵循相同的分布，而这在实际中并非总是如此。在图像分类情况下，算法失败泛化的常见原因是它们依赖于训练数据中存在的伪相关，例如将图像风格与目标类别关联。这些关联可能在未见的测试数据中不存在，导致其有效性显著下降。为此，我们尝试通过训练鲁棒的特征提取器来缓解此问题，该提取器忽略归属于图像风格的特征，而基于风格不变的图像表示进行推断。为实现这一目标，我们训练CycleGAN模型以学习训练数据中存在的不同风格，并随机混合它们以创建具有新风格属性的样本，以提高泛化能力。PACS域泛化基准上的实验结果验证了所提出方法的有效性。
引用
@article{arxiv.2407.13421,
title = {CycleMix: Mixing Source Domains for Domain Generalization in Style-Dependent Data},
author = {Aristotelis Ballas and Christos Diou},
journal= {arXiv preprint arXiv:2407.13421},
year = {2024}
}