利用对抗学习变换提升域泛化的多样性
机器学习
2022-12-14 v2 计算机视觉与模式识别
摘要
要在单源域泛化中取得成功，最大化合成域的多样性已成为最有效的策略之一。近期许多成功方法来自那些预先指定模型训练中所暴露多样性类型的方法，从而最终能很好地泛化到新域。然而，朴素的基于多样性的增强对域泛化并不有效，因为它们既不能建模大的域偏移，又因为预先指定的变换跨度未覆盖域泛化中常见的偏移类型。为解决此问题，我们提出了一种新颖框架，利用神经网络使用对抗学习变换（ALT）来建模看似合理却困难、能欺骗分类器的图像变换。该网络对每个批次随机初始化，并训练固定步数以最大化分类误差。此外，我们强制分类器对干净图像与变换后图像预测的一致性。通过大量实证分析，我们发现这种新形式的对抗变换同时实现了多样性与困难性两个目标，在单源域泛化的竞争性基准上优于所有现有技术。我们还表明 ALT 可自然地与现有多样性模块协作，产生高度独特且大幅的源域变换，从而实现最先进的性能。
引用
@article{arxiv.2206.07736,
title = {Improving Diversity with Adversarially Learned Transformations for Domain Generalization},
author = {Tejas Gokhale and Rushil Anirudh and Jayaraman J. Thiagarajan and Bhavya Kailkhura and Chitta Baral and Yezhou Yang},
journal= {arXiv preprint arXiv:2206.07736},
year = {2022}
}
备注
WACV 2023. Code: https://github.com/tejas-gokhale/ALT