可泛化决策边界：面向开集域泛化的二元元学习
计算机视觉与模式识别
2023-08-21 v1
摘要
域泛化（DG）被提出以应对域偏移问题，该问题源于源域与目标域之间存在统计差异。然而，当前大多数方法未考虑一种常见的现实场景，即源域与目标域具有不同类别。为克服这一缺陷，开集域泛化（OSDG）作为一种更实用的设定应运而生，用于在未见过的域中识别未见过的类别。一种直观的方法是使用多个一对全分类器为每个类别定义决策边界，并将离群点拒绝为未知。然而，正样本与负样本之间显著的类不平衡常导致边界偏向正样本，从而造成在未见目标域中已知样本的误分类。本文提出一种基于元学习的新型框架，称为具有联合域-类匹配的二元元学习（MEDIC），其同时考虑面向域间与类间划分的梯度匹配，以寻找对所有任务均平衡的可泛化边界。实验结果表明，MEDIC 不仅在开集场景中优于以往方法，同时也保持了具有竞争力的闭集泛化能力。我们的代码见 https://github.com/zzwdx/MEDIC。
引用
@article{arxiv.2308.09391,
title = {Generalizable Decision Boundaries: Dualistic Meta-Learning for Open Set Domain Generalization},
author = {Xiran Wang and Jian Zhang and Lei Qi and Yinghuan Shi},
journal= {arXiv preprint arXiv:2308.09391},
year = {2023}
}
备注
10 pages, 5 figures, accepted by ICCV2023