用于域泛化的深度域对抗图像生成
计算机视觉与模式识别
2020-03-16 v1
摘要
机器学习模型在源数据集上训练并在不同分布的目标数据集上评估时，通常会受到域偏移问题的困扰。为克服该问题，域泛化（DG）方法旨在利用来自多个源域的数据，使训练后的模型能泛化到未见过的域。本文中，我们提出一种基于\emph{深度域对抗图像生成}（DDAIG）的新颖 DG 方法。具体而言，DDAIG 由三个组件组成，即标签分类器、域分类器和域变换网络（DoTNet）。DoTNet 的目标是将源训练数据映射到未见过的域。这是通过制定一个学习目标来实现的，该目标确保生成的数据能被标签分类器正确分类，同时欺骗域分类器。通过使用生成的未见域数据扩充源训练数据，我们可以使标签分类器对未知域变化更鲁棒。在四个 DG 数据集上的大量实验证明了我们方法的有效性。
引用
@article{arxiv.2003.06054,
title = {Deep Domain-Adversarial Image Generation for Domain Generalisation},
author = {Kaiyang Zhou and Yongxin Yang and Timothy Hospedales and Tao Xiang},
journal= {arXiv preprint arXiv:2003.06054},
year = {2020}
}
备注
8 pages