面向时空偏移鲁棒分类器训练的域泛化策略
计算机视觉与模式识别
2022-12-13 v2
摘要
近年来，基于深度学习的天气预测模型取得了显著进展。然而，基于深度学习的数据驱动模型难以应用于实际场景，因为它们易受时空偏移影响。当模型过拟合于局部性和季节性时，天气预测任务尤其易受时空偏移影响。本文中，我们提出一种训练策略以使天气预测模型对时空偏移具有鲁棒性。我们首先分析现有训练策略的超参数和数据增强对模型时空偏移鲁棒性的影响。接着，基于分析结果和测试时增强，我们提出了超参数与增强的最优组合。我们在W4C22 Transfer数据集上进行了所有实验并取得了第一的性能。
引用
@article{arxiv.2212.02968,
title = {Domain Generalization Strategy to Train Classifiers Robust to Spatial-Temporal Shift},
author = {Minseok Seo and Doyi Kim and Seungheon Shin and Eunbin Kim and Sewoong Ahn and Yeji Choi},
journal= {arXiv preprint arXiv:2212.02968},
year = {2022}
}
备注
Core Transfer Track 1st place solution in Weather4Cast competition at NeuIPS22