通过拒绝极端增强实现域泛化
机器学习
2025-10-09 v2 计算机视觉与模式识别
摘要
数据增强是规范化深度学习模型并提升其在多种任务与领域中识别性能的最有效技术之一。然而，这适用于训练与测试数据同分布的标准域内设置。对于测试数据服从不同且未知分布的分布外情形，数据增强的最佳方案尚不明晰。本文中，我们展示对于分布外与域泛化设置，数据增强能带来显著且鲁棒的性能提升。为此，我们提出一种简单训练流程：(i) 对标准数据增强变换使用均匀采样；(ii) 增大变换强度以考虑分布外时预期更高的数据方差；(iii) 设计一种新的奖励函数以拒绝可能损害训练的极端变换。借助该流程，我们的数据增强方案在基准域泛化数据集上达到了与最先进方法相当或更优的准确率。代码：https://github.com/Masseeh/DCAug
引用
@article{arxiv.2310.06670,
title = {Domain Generalization by Rejecting Extreme Augmentations},
author = {Masih Aminbeidokhti and Fidel A. Guerrero Peña and Heitor Rapela Medeiros and Thomas Dubail and Eric Granger and Marco Pedersoli},
journal= {arXiv preprint arXiv:2310.06670},
year = {2025}
}
备注
WACV 2024: Winter Conference on Applications of Computer Vision 2024