频域分解以挖掘单域泛化的潜力
计算机视觉与模式识别
2023-04-17 v1
摘要
域泛化（DG）旨在使模型能够作用于多个未见域，是通用人工智能必备的特性。基于单源域训练数据的 DG 由于缺乏可比对信息以帮助识别域不变特征而更具挑战性。本文确定单源域训练样本中可能包含域不变特征，任务随之转化为寻找从单源域样本中提取此类特征的正确方法。我们假定域不变特征与频率密切相关，进而提出一种通过多频域学习的新方法。其核心思想是，将每幅原始图像的频域划分为多个子域，并通过设计的双分支网络在子域中学习特征。以此方式，模型被强制从特定有限频谱的更多样本中学习特征，从而增加了获得先前可能被易学特征所遮蔽的域不变特征的可能性。大量实验研究表明：1）频率分解可帮助模型学习难以学到的特征；2）所提方法优于单源域泛化的最先进方法。
引用
@article{arxiv.2304.07261,
title = {Frequency Decomposition to Tap the Potential of Single Domain for Generalization},
author = {Qingyue Yang and Hongjing Niu and Pengfei Xia and Wei Zhang and Bin Li},
journal= {arXiv preprint arXiv:2304.07261},
year = {2023}
}