开集单源域泛化的域扩展与边界扩展

开集单源域泛化旨在利用单源域学习一个鲁棒模型，使其能够泛化到同时存在域偏移和标签偏移的未知目标域。源域的稀缺性和目标域的未知数据分布为域不变特征学习和未知类别识别带来了巨大挑战。本文提出了一种基于域扩展和边界扩展的新型学习方法，通过扩展稀缺的源样本并扩大已知类别之间的边界，间接拓宽已知类与未知类之间的边界。具体而言，我们通过对源数据同时进行背景抑制和风格增强来实现域扩展，从而合成新样本。然后迫使模型从合成样本中蒸馏一致的知识，使模型能够学习域不变信息。此外，我们通过将边缘图作为样本的额外模态，在训练多二元分类器时实现类间边界扩展，从而扩大内点与外点之间的边界，进而提升开集泛化中的未知类别识别能力。大量实验表明，我们的方法在多个跨域图像分类数据集上取得了显著提升，达到了最先进的性能。