基于势能排序的域去相关
计算机视觉与模式识别
2023-04-26 v3
摘要
机器学习系统，尤其是基于深度学习的方法，在实验环境下的现代计算机视觉任务中取得了巨大成功。一般而言，这些经典深度学习方法建立在 \emph{i.i.d.} 假设之上，即假设训练与测试数据独立同分布地取自相似分布。然而，上述 \emph{i.i.d.} 假设在真实场景中通常不成立，并因此导致深度学习算法性能急剧下降。其背后的主要因素之一是域偏移。为解决该问题，我们提出使用 \textbf{Po}tential \textbf{E}nergy \textbf{R}anking（PoER，势能排序）来解耦给定图像中的对象特征与域特征（\emph{即}外观特征），在促进标签判别特征学习的同时滤除对象与背景间的无关关联。PoER 帮助神经网络先在浅层捕获含域信息的标签相关特征，再逐步提炼出标签判别表示，迫使网络感知对象与背景的特性，而这正是生成域不变特征的关键。PoER 在域泛化基准上报告了优越性能，相较现有方法平均 top-1 准确率至少提升 1.20%。此外，我们将 PoER 用于 ECCV 2022 NICO Challenge\footnote{https://nicochallenge.com}，仅以朴素 ResNet-18 取得冠军。代码已发布于 https://github.com/ForeverPs/PoER。
引用
@article{arxiv.2207.12194,
title = {Domain Decorrelation with Potential Energy Ranking},
author = {Sen Pei and Jiaxi Sun and Richard Yi Da Xu and Shiming Xiang and Gaofeng Meng},
journal= {arXiv preprint arXiv:2207.12194},
year = {2023}
}
备注
2022 ECCV jury award, accepted by AAAI 2023