用于领域泛化与自适应的特征对齐与恢复
计算机视觉与模式识别
2020-06-23 v1
摘要
对于领域泛化 (DG) 和无监督领域自适应 (UDA)，跨领域特征对齐已被广泛探索，以拉近不同领域的特征分布，从而学习领域不变表示。然而，特征对齐通常是任务无关的，可能导致特征表示判别能力的退化，从而阻碍高性能。在本文中，我们提出了一个称为特征对齐与恢复 (FAR) 的统一框架，以同时确保网络在有效 DG 和 UDA 中的高泛化能力和判别能力。具体而言，我们通过对齐注意力选择特征的分布矩来执行跨领域特征对齐 (FA)，以减少它们的差异。为确保高判别能力，我们提出了特征恢复 (FR) 操作，从残差信息中提取任务相关特征，并用它们来补偿对齐后的特征。为了更好地解耦，我们在 FR 步骤中施加了双重排序熵损失约束，以鼓励任务相关和任务无关特征的分离。在多个分类基准上的大量实验证明了我们的 FAR 框架在领域泛化和无监督领域自适应方面的高性能和强泛化能力。
引用
@article{arxiv.2006.12009,
title = {Feature Alignment and Restoration for Domain Generalization and Adaptation},
author = {Xin Jin and Cuiling Lan and Wenjun Zeng and Zhibo Chen},
journal= {arXiv preprint arXiv:2006.12009},
year = {2020}
}