G-NAS：面向单域泛化目标检测的泛化神经架构搜索
计算机视觉与模式识别
2024-02-08 v1
摘要
本文聚焦于一个现实且具挑战性的任务——单域泛化目标检测 (S-DGOD)，其中仅能使用单一源域数据训练目标检测器，但必须泛化到多个不同的目标域。由于任务的复杂性，S-DGOD 同时需要高容量拟合能力和泛化能力。可微神经架构搜索 (NAS) 以其对复杂数据拟合的高容量而闻名，我们提出利用可微 NAS 来解决 S-DGOD。然而，由于特征不平衡现象，它可能面临严重的过拟合问题，其中通过梯度下降优化的参数偏向于学习易于学习的特征，这些特征通常是非因果的且与真实标签存在虚假相关，例如目标检测数据中的背景特征。因此，这会导致严重的性能下降，特别是在泛化到与源域之间存在巨大域差距的未见目标域时。为了解决这个问题，我们提出了泛化损失 (G-loss)，这是一种分布外 (OoD) 感知目标，它通过梯度下降优化参数来防止 NAS 过拟合，不仅优化易于学习特征的子集，还优化剩余用于泛化的预测特征，整个框架命名为 G-NAS。在 S-DGOD 城市场景数据集上的实验结果表明，与基线方法相比，所提出的 G-NAS 实现了 SOTA 性能。代码可在 https://github.com/wufan-cse/G-NAS 获取。
引用
@article{arxiv.2402.04672,
title = {G-NAS: Generalizable Neural Architecture Search for Single Domain Generalization Object Detection},
author = {Fan Wu and Jinling Gao and Lanqing Hong and Xinbing Wang and Chenghu Zhou and Nanyang Ye},
journal= {arXiv preprint arXiv:2402.04672},
year = {2024}
}
备注
Accepted by AAAI24