面向单域泛化的多样性学习
计算机视觉与模式识别
2023-03-23 v3
摘要
域泛化（DG）旨在将在多个源（即训练）域上训练的模型泛化到分布不同的目标（即测试）域。与严格要求多个源域可用的传统DG不同，本文考虑一种更现实但更具挑战性的场景，即单域泛化（Single-DG），其中仅有一个源域可用于训练。在此场景下，有限的多样性可能危及模型在未见目标域上的泛化能力。为应对该问题，我们提出一种风格互补模块，通过合成与源域互补的多样分布图像来增强模型的泛化能力。更具体地，我们采用生成样本与源样本之间互信息（MI）的可处理上界，并迭代执行两步优化：（1）通过对每对样本最小化MI上界近似，迫使生成图像与源样本多样化；（2）随后，我们最大化同一语义类别样本间的MI，协助网络从多样风格图像中学习判别性特征。在三个基准数据集上的大量实验证明了我们方法的优越性，其超越最先进的单DG方法达25.14%。
引用
@article{arxiv.2108.11726,
title = {Learning to Diversify for Single Domain Generalization},
author = {Zijian Wang and Yadan Luo and Ruihong Qiu and Zi Huang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2108.11726},
year = {2023}
}
备注
ICCV 2021