面向域泛化的多样化目标与贡献调度
计算机视觉与模式识别
2025-03-13 v2
摘要
分布偏移下的泛化一直是计算机视觉中的重大挑战。在域泛化（DG）中直接采用独热标签作为训练目标的普遍做法会导致梯度冲突，使其不足以捕捉内在类别特征且难以增加类内变化。此外，DG中的现有方法大多忽视了源（已见）域的差异化贡献，导致从这些域中学习不均衡。为解决这些问题，我们首先对DG中梯度冲突的存在进行了理论与实证分析，揭示了优化过程中分布偏移与梯度冲突之间此前未被探索的关系。本文从经验源域风险的角度提出DG的新视角，并给出一种称为多样化目标与贡献调度（DTCS）的DG新范式。DTCS包含两个创新模块：多样化目标监督（DTS）与多样化贡献平衡（DCB），旨在解决DG中普遍使用独热标签和源域等贡献的局限。具体而言，DTS采用不同的软标签作为训练目标，以考虑跨域的不同特征分布，从而缓解梯度冲突；DCB通过确保不同源域损失的公平下降来动态平衡源域贡献。在四个基准数据集上的大量实验与分析表明，所提方法与最先进方法相比具有竞争力，证明了所提DTCS的有效性与优势。
引用
@article{arxiv.2309.16460,
title = {Diverse Target and Contribution Scheduling for Domain Generalization},
author = {Shaocong Long and Qianyu Zhou and Chenhao Ying and Lizhuang Ma and Yuan Luo},
journal= {arXiv preprint arXiv:2309.16460},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication