通过频率和像素空间的针对性数据增强提高类域外鲁棒性
计算机视觉与模式识别
2025-05-20 v1 机器学习
摘要
在域适应设置下，类域外（OOD）鲁棒性是一个关键挑战，其中标注源数据和未标注目标数据来自不同的分布。提高 OOD 鲁棒性的常见方法是通过数据增强。然而，在现实场景中，使用通用增强训练的模型在分布偏移趋向未标注目标域时仅能略微改善。虽然 dataset-specific 针对性增强可解决此问题，但通常需要专家知识和大量先验数据分析来识别数据集和域偏移的本质。为解决这些挑战，我们提出了 Frequency-Pixel Connect，这是一个域适应框架，通过在频率空间和像素空间引入针对性增强来提高 OOD 鲁棒性。具体而言，我们混合源图像和目标图像的�幅谱和像素内容，以生成引入域多样性同时保持源图像语义结构的增强样本。不同于以往仅限于像素空间且 dataset-specific 的针对性增强方法，Frequency-Pixel Connect 是 dataset-agnostic 的，能够在自然图像数据集之外提供更广泛和更灵活的适用性。我们进一步通过评估我们的方法在连接相同类别的跨域样本同时分离不同类别示例的性能来分析 Frequency-Pixel Connect 的有效性。我们在视觉、医疗、音频和天文领域的四个 diverse 真实基准测试上演示，Frequency-Pixel Connect 在跨域连通性方面显著优于先前通用方法，也优于其他 dataset-specific 针对性增强方法。
引用
@article{arxiv.2505.12317,
title = {Improving Out-of-Domain Robustness with Targeted Augmentation in Frequency and Pixel Spaces},
author = {Ruoqi Wang and Haitao Wang and Shaojie Guo and Qiong Luo},
journal= {arXiv preprint arXiv:2505.12317},
year = {2025}
}