面向无源域泛化的域统一提示表示
计算机视觉与模式识别
2022-09-30 v1
摘要
域泛化（DG）旨在使模型在未见域上工作，是通向通用人工智能的可靠途径。受限于当前 DG 数据集的规模与多样性，现有方法难以扩展到开放世界场景（如科幻与像素化风格）中的多样域。因此，无源域泛化（SFDG）任务必要且具有挑战性。为应对该问题，我们提出一种基于大规模视觉-语言预训练模型（如 CLIP）的方法，利用其内嵌的广泛域信息。所提方案从一个域库生成多样提示，该域库包含比现有 DG 数据集丰富得多的多样域。此外，我们的方法从这些提示中得到域统一表示，从而能够处理来自开放世界域的样本。在主流 DG 数据集 PACS、VLCS、OfficeHome 和 DomainNet 上的大量实验表明，相比需要源域数据训练的最先进（SOTA）DG 方法，所提方法取得了有竞争力的性能。此外，我们收集了一个由两域组成的小数据集以评估所提方法的开放世界域泛化能力。源代码与数据集将公开于 https://github.com/muse1998/Source-Free-Domain-Generalization。
引用
@article{arxiv.2209.14926,
title = {Domain-Unified Prompt Representations for Source-Free Domain Generalization},
author = {Hongjing Niu and Hanting Li and Feng Zhao and Bin Li},
journal= {arXiv preprint arXiv:2209.14926},
year = {2022}
}
备注
12 pages, 6 figures