学习平衡特异性与不变性以实现域内与域外泛化
计算机视觉与模式识别
2020-09-01 v1 机器学习
摘要
我们提出用于提升域内与域外泛化性能的域特定掩码泛化模型（Domain-specific Masks for Generalization）。对于域泛化，目标是从一组源域中学习以产生一个能最佳泛化至未见目标域的单一模型。因此，许多已有方法聚焦于学习跨所有源域持续的表示，并假设这些域不可知表示将良好泛化。然而，通常各别域包含独特特征，若加以利用可显著助益域内识别性能。为产生对可见与不可见域均最佳泛化的模型，我们提出学习域特定掩码。这些掩码被鼓励学习域不变与域特定特征的平衡，从而实现一个既能受益于专门化特征的预测能力、又保留域不变特征的普遍适用性的模型。我们在PACS与DomainNet上展示了相较朴素基线及最先进方法的竞争性性能。
引用
@article{arxiv.2008.12839,
title = {Learning to Balance Specificity and Invariance for In and Out of Domain Generalization},
author = {Prithvijit Chattopadhyay and Yogesh Balaji and Judy Hoffman},
journal= {arXiv preprint arXiv:2008.12839},
year = {2020}
}
备注
Published at ECCV 2020