通过双曲状态空间幻觉学习细粒度领域泛化
计算机视觉与模式识别
2025-04-14 v1 人工智能
摘要
细粒度领域泛化 (FGDG) 旨在学习一种细粒度表示，当仅在源领域数据上训练时，该表示能很好地泛化到未见的目标领域。与通用领域泛化相比，FGDG 尤其具有挑战性，因为细粒度类别只能通过一些细微且微小的模式来辨别。这些模式在由光照、颜色等引起的跨领域风格变化下尤为脆弱。为了推进这一前沿，本文提出了一种新颖的双曲状态空间幻觉 (HSSH) 方法。它由两个关键组件组成，即状态空间幻觉 (SSH) 和双曲流形一致性 (HMC)。SSH 首先对源图像进行外推然后进行幻觉，从而丰富了状态嵌入的风格多样性。接着，风格幻觉前后的状态嵌入被投影到双曲流形中。双曲状态空间对高阶统计量进行建模，并允许更好地辨别细粒度模式。最后，通过最小化双曲距离，可以消除风格变化对细粒度模式的影响。在三个 FGDG 基准上的实验证明了其 SOTA 性能。
引用
@article{arxiv.2504.08020,
title = {Learning Fine-grained Domain Generalization via Hyperbolic State Space Hallucination},
author = {Qi Bi and Jingjun Yi and Haolan Zhan and Wei Ji and Gui-Song Xia},
journal= {arXiv preprint arXiv:2504.08020},
year = {2025}
}
备注
accepted by AAAI2025