面向单源开放域泛化的类与域增强学习
计算机视觉与模式识别
2023-11-07 v1
摘要
单源开放域泛化（SS-ODG）解决训练时仅有带监督的标记源域、测试时面临无标记新颖目标域的挑战。目标域包含来自源域的已知类以及来自先前未见类的样本。现有 SS-ODG 技术主要聚焦于校准源域分类器以识别目标域中的开放样本。然而，这些方法在视觉细粒度开放-封闭数据上表现不佳，常将开放样本误分类为闭集类。此外，仅依赖单一源域限制了模型的泛化能力。为克服这些局限，我们提出一种称为 SODG-Net 的新框架，该框架通过基于学习的objective同时合成新颖域并生成伪开放样本，有别于文献中常见的临时混合策略。我们的方法利用新颖度量准则使已知类样本风格多样化从而增强泛化，并生成多样伪开放样本以训练统一且置信的多类分类器，能够处理开放与闭集数据。在多个基准上的大量实验评估一致表明 SODG-Net 优于现有文献方法。
引用
@article{arxiv.2311.02599,
title = {Learning Class and Domain Augmentations for Single-Source Open-Domain Generalization},
author = {Prathmesh Bele and Valay Bundele and Avigyan Bhattacharya and Ankit Jha and Gemma Roig and Biplab Banerjee},
journal= {arXiv preprint arXiv:2311.02599},
year = {2023}
}
备注
11 pages, WACV 2024