基于特征范数网络的深度域泛化
计算机视觉与模式识别
2021-04-29 v1 人工智能
机器学习
摘要
本文研究利用多源域训练、旨在测试时无需适配步骤即可泛化到新域的问题。这被称为域泛化（DG）。先前DG工作假设源域间类别或标签空间相同。在源域间存在类别偏移的情况下，先前的DG方法因标签空间间巨大错配而易受负迁移影响，降低目标分类精度。为解决上述问题，我们引入端到端特征范数网络（FNN），其因无需匹配源域间特征分布而对负迁移具有鲁棒性。我们还引入协作特征范数网络（CFNN）以进一步提升FNN的泛化能力。CFNN对每个训练样本次可能类别的预测进行匹配，从而增加各网络的后验熵。我们将所提FNN与CFNN网络应用于图像分类任务的DG问题，并展示出相较SOTA的显著改进。
引用
@article{arxiv.2104.13581,
title = {Deep Domain Generalization with Feature-norm Network},
author = {Mohammad Mahfujur Rahman and Clinton Fookes and Sridha Sridharan},
journal= {arXiv preprint arXiv:2104.13581},
year = {2021}
}
备注
Submitted to Pattern Recognition