面向域泛化的情景训练

域泛化（DG）是一个具有挑战性且热门的问题，旨在学习能够泛化到与一组已知训练域统计特性不同的新颖测试域的模型。将所有源域数据聚合并在所有数据上端到端训练单个深度神经网络的简单方法，提供了一个令人惊讶的强基线，超越了先前许多已发表的方法。在本文中，我们基于这一强基线，设计了一种情景训练（episodic training）流程，以暴露单个深度网络在运行时遭遇表征新颖域的域偏移。具体而言，我们将深度网络分解为特征提取器和分类器组件，然后通过模拟其与一个对当前域严重失配的伙伴交互来训练每个组件。这使得两个组件都更加鲁棒，最终使我们的网络在三个 DG 基准上取得最先进（state-of-the-art）性能。此外，我们考虑了使用 ImageNet 训练的 CNN 作为固定特征提取器用于下游识别任务的普遍工作流。利用 Visual Decathlon 基准，我们证明我们的情景 DG 训练通过显式训练对新颖问题鲁棒的特征，提升了此类通用特征提取器的性能。这表明 DG 训练可惠及计算机视觉中的标准实践。