更深、更广、更艺术的领域泛化

领域泛化问题旨在从多个训练领域中学习，提取一个领域无关的模型，进而可应用于未见过的领域。领域泛化（DG）在目标领域具有明显不同特征但训练数据稀疏的场景下有明确的动机，例如草图图像识别，草图比照片明显更抽象且更稀缺。然而，DG 方法主要仅在专注于缓解数据集偏差的照片基准上进行了评估，在这些基准中，领域差异性和数据稀疏性问题可能都很小。我们认为这些基准过于简单，并表明简单的深度学习基线方法在其上表现得出奇地好。在本文中，我们做出两项主要贡献：首先，我们基于深度学习方法良好的领域偏移鲁棒特性，开发了一个低秩参数化的 CNN 模型用于端到端的 DG 学习。其次，我们构建了一个涵盖照片、草图、卡通和绘画领域的 DG 基准数据集。这既更具实际相关性，也比现有基准更难（领域偏移更大）。结果表明，我们的方法优于现有的 DG 替代方案，并且我们的数据集为驱动未来研究提供了一个更显著的 DG 挑战。