基于关键相位增强的域泛化

深度神经网络在图像分类中表现出色。然而，当输入数据受损时，其性能显著下降。域泛化方法被提出用于训练对分布外数据鲁棒的模型。频域数据增强是其中一种方法，它使模型能够学习相位特征以建立域不变表示。该方法在保留相位的同时改变输入数据的振幅。然而，使用固定相位会导致对相位波动的敏感性，因为振幅和相位波动在分布外数据中普遍存在。为解决此问题，本研究引入了一种方法，使用输入数据相位的有限变化而非保持固定相位。基于域不变特征的程度因相位而异的假设，我们提出了一种根据该程度区分相位的方法。此外，我们提出了一种称为关键相位增强（VIPAug）的方法，根据给定相位的域不变特征程度对相位施加不同的变化。模型更多地依赖包含更多域不变特征的关键相位，以获得对振幅和相位波动的鲁棒性。我们展示了所提方法的实验评估，其在干净和受损数据上均表现出改进的性能。VIPAug在基准CIFAR-10和CIFAR-100数据集上达到了SOTA性能，在ImageNet-100和ImageNet数据集上达到了接近SOTA的性能。我们的代码可在https://github.com/excitedkid/vipaug获取。