利用外在监督与内在监督进行域泛化学习
计算机视觉与模式识别
2020-07-21 v1
摘要
神经网络跨域的泛化能力对于实际应用至关重要。我们认为，一个泛化的物体识别系统应同时充分理解不同图像之间以及图像自身的关系。为此，我们提出了一种新的域泛化框架，该框架同时从多源域图像的外在关系监督和内在自监督中学习如何跨域泛化。具体而言，我们以多任务学习范式通过特征嵌入来构建我们的框架。除了执行常见的监督识别任务外，我们无缝集成了一个动量度量学习任务和一个自监督辅助任务，以共同利用外在监督与内在监督。此外，我们开发了一种带 K-hard 负采样的有效动量度量学习方案，以提升网络捕获图像关系以实现域泛化的能力。我们在两个标准物体识别基准 VLCS 和 PACS 上证明了我们方法的有效性，并表明我们的方法达到了最先进的性能。
引用
@article{arxiv.2007.09316,
title = {Learning from Extrinsic and Intrinsic Supervisions for Domain Generalization},
author = {Shujun Wang and Lequan Yu and Caizi Li and Chi-Wing Fu and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2007.09316},
year = {2020}
}
备注
Accepted at ECCV 2020. Code is available at https://github.com/EmmaW8/EISNet