基于相关风格不确定性的域泛化
计算机视觉与模式识别
2023-08-29 v3
摘要
域泛化（DG）方法旨在提取域不变特征，从而构建更鲁棒的深度学习模型。在这方面，风格增强是一种强大的 DG 方法，它利用包含丰富风格特征的实例特定特征统计量来合成新域。尽管它是当前最优方法之一，先前的风格增强工作要么忽视了不同特征通道间的相互依赖，要么仅将风格增强限制为线性插值。为弥补这些研究空白，本工作我们提出一种名为相关风格不确定性（CSU）的新颖增强方法，超越了风格统计量空间中线性插值的局限，同时保留重要的相关信息。我们通过跨域计算机视觉与医学影像分类任务（PACS、Office-Home 和 Camelyon17 数据集）以及 Duke-Market1501 实例检索任务上的大量实验确立了方法的效力。结果显示相较现有最优技术有显著的提升幅度。源代码见 https://github.com/freshman97/CSU。
引用
@article{arxiv.2212.09950,
title = {Domain Generalization with Correlated Style Uncertainty},
author = {Zheyuan Zhang and Bin Wang and Debesh Jha and Ugur Demir and Ulas Bagci},
journal= {arXiv preprint arXiv:2212.09950},
year = {2023}
}
备注
Accepted by WACV2024, camera ready version