面向域泛化的深度频率滤波
计算机视觉与模式识别
2023-03-28 v2
摘要
提升深度神经网络（DNNs）的泛化能力对其实际应用至关重要，这一直是长期存在的挑战。一些理论研究表明，DNNs在学习过程中对某些频率分量存在偏好，并指出这可能影响所学特征的鲁棒性。本文提出深度频率滤波（DFF）以学习域可泛化特征，这是首次尝试在训练过程中于潜空间显式调制跨域具有不同迁移难度的频率分量。为此，我们对不同层的特征图执行快速傅里叶变换（FFT），然后采用轻量级模块从FFT后的频率表示中学习注意力掩码，以增强可迁移分量并抑制不利于泛化的分量。此外，我们通过实验比较了采用不同类型注意力设计来实现DFF的有效性。大量实验证明了我们所提DFF的有效性，并表明在普通基线上应用我们的DFF在不同域泛化任务（包括闭集分类和开集检索）上优于最先进的方法。
引用
@article{arxiv.2203.12198,
title = {Deep Frequency Filtering for Domain Generalization},
author = {Shiqi Lin and Zhizheng Zhang and Zhipeng Huang and Yan Lu and Cuiling Lan and Peng Chu and Quanzeng You and Jiang Wang and Zicheng Liu and Amey Parulkar and Viraj Navkal and Zhibo Chen},
journal= {arXiv preprint arXiv:2203.12198},
year = {2023}
}
备注
Accepted by CVPR2023