通过域自适应实现域泛化：一种对抗式傅里叶幅度方法
机器学习
2023-02-24 v1 计算机视觉与模式识别
摘要
我们将域泛化（DG）问题视为域自适应（DA）任务来处理，其中我们对抗式地合成最坏情况目标域并使模型适应该最坏情况域，从而提升模型的鲁棒性。为合成具有挑战性但保留语义的数据，我们生成傅里叶幅度图像并将其与源域相位图像结合，利用了信号处理中广泛认可的猜想，即幅度谱主要决定图像风格，而相位数据主要捕捉图像语义。为合成用于自适应的最坏情况域，我们对抗式地训练分类器与幅度生成器。具体而言，我们利用 DA 中的最大分类器差异（MCD）原理，该原理将目标域性能与模型假设空间中分类器的差异相关联。通过贝叶斯假设建模，我们有效地将模型假设空间表示为给定源域下分类器的后验分布，使对抗式 MCD 最小化可行。在包含大规模 DomainNet 数据集的 DomainBed 基准上，所提方法相比最先进水平显著提升了域泛化性能。
引用
@article{arxiv.2302.12047,
title = {Domain Generalisation via Domain Adaptation: An Adversarial Fourier Amplitude Approach},
author = {Minyoung Kim and Da Li and Timothy Hospedales},
journal= {arXiv preprint arXiv:2302.12047},
year = {2023}
}