DICS：寻找用于分布外泛化的域不变且类特定特征
计算机视觉与模式识别
2024-09-16 v1
摘要
尽管深度神经网络在各种视觉任务中取得了显著进展，但在分布外 (OOD) 场景下测试时，其性能通常会下降。许多 OOD 方法侧重于提取域不变特征，却忽略了这些特征是否为每个类别所独有。即使某些特征是域不变的，如果它们在不同类别间共享，也无法作为关键的分类标准。在 OOD 任务中，与域相关的特征和类共享特征都会作为混淆因子阻碍泛化。在本文中，我们提出了 DICS 模型来提取域不变且类特定特征，包括域不变性测试 (DIT) 和类特异性测试 (CST)，以减轻混淆因子引入的虚假相关性的影响。DIT 学习每个源域的域相关特征并将其从输入中移除，以隔离域不变的类相关特征。DIT 通过对齐不同域间的同类特征来确保域不变性。然后，CST 通过将这些特征与在先前步骤中学习到的特征进行比较，为这些特征计算软标签。我们优化软标签与其真实标签之间的交叉熵，这增强了同类相似性和不同类的区分度，从而强化了类特异性。在广泛使用的基准上的大量实验证明了我们提出的算法的有效性。额外的可视化进一步证明，DICS 能有效识别目标域中每个类别的关键特征。
引用
@article{arxiv.2409.08557,
title = {DICS: Find Domain-Invariant and Class-Specific Features for Out-of-Distribution Generalization},
author = {Qiaowei Miao and Yawei Luo and Yi Yang},
journal= {arXiv preprint arXiv:2409.08557},
year = {2024}
}