面向域泛化的特征风格化与域感知对比学习
计算机视觉与模式识别
2021-08-20 v1
摘要
域泛化旨在不访问目标域的情况下增强模型对域偏移的鲁棒性。由于可用于训练的源域有限，近期方法聚焦于生成新域样本。然而，它们在合成大量域时要么受困于优化问题，要么导致类语义的扭曲。为此，我们提出一种新颖的域泛化框架，利用特征统计量将原始特征风格化为具有新域属性的特征。为在风格化过程中保留类信息，我们首先将特征分解为高频与低频分量。随后，用从 manipulated 统计量中采样得到的新域风格对低频分量进行风格化，同时保留高频分量中的形状线索。最后，我们重新合并两分量以合成新域特征。为增强域鲁棒性，我们利用风格化特征在特征及输出层面保持模型一致性。我们通过提出的域感知监督对比损失实现特征一致性，该损失在确保域不变性的同时提升类可分辨性。实验结果证明了所提特征风格化与域感知对比损失的有效性。通过量化比较，我们在 PACS 与 Office-Home 两个基准上验证了本方法相对于现有最先进方法的领先性。
引用
@article{arxiv.2108.08596,
title = {Feature Stylization and Domain-aware Contrastive Learning for Domain Generalization},
author = {Seogkyu Jeon and Kibeom Hong and Pilhyeon Lee and Jewook Lee and Hyeran Byun},
journal= {arXiv preprint arXiv:2108.08596},
year = {2021}
}
备注
Accepted to ACM MM 2021 (oral)