基于通用非体积保持模型的域泛化
计算机视觉与模式识别
2020-04-15 v2
摘要
跨域识别近来已成为研究界的一个活跃课题。然而，在新未见域上的识别问题在很大程度上被忽视了。在此条件下，所交付的深度网络模型无法被更新、适配或微调。因此，近期的深度学习技术，如域适配、特征迁移和微调，均无法应用。本文提出一种在深度学习背景下的域泛化问题的新方法。所提方法在不同问题的多个数据集上进行了评估，即 (i) MNIST、SVHN 和 MNIST-M 上的手写数字识别，(ii) Extended Yale-B、CMU-PIE 和 CMU-MPIE 上的人脸识别，以及 (iii) RGB 和热成像图像数据集上的行人识别。实验结果表明，我们提出的方法持续提高了性能准确率。它也可以容易地结合到任何其它 CNN 框架中，在端到端深度网络设计中用于目标检测与识别问题以提升其性能。
引用
@article{arxiv.1905.13040,
title = {Domain Generalization via Universal Non-volume Preserving Models},
author = {Thanh-Dat Truong and Chi Nhan Duong and Khoa Luu and Minh-Triet Tran and Ngan Le},
journal= {arXiv preprint arXiv:1905.13040},
year = {2020}
}
备注
Accepted to Computer and Robot Vision 2020. arXiv admin note: substantial text overlap with arXiv:1812.03407