利用自监督逐样本学习以实现泛化
计算机视觉与模式识别
2019-10-14 v3
摘要
尽管深度网络显著提升了视觉识别方法的性能，但实现跨视觉领域的鲁棒性以满足实际应用仍具挑战。为解决此问题，过去十年中域自适应与域泛化的研究蓬勃发展。在评估迄今文献中所做工作时，一个需要考虑的重要方面是每种方法在源域和目标域训练所需的数据标注量。本文我们认为数据标注负担应最小化，因其成本高昂。因此，我们提出使用自监督学习来实现域泛化与自适应。我们将从非标注数据中学习规律视为辅助任务，并将该问题置于辅助学习（Auxiliary Learning）的原则框架中。此外，我们建议通过在测试时从目标数据学习来进一步利用从非标注图像了解视觉领域的能力，因为数据是逐样本呈现给算法的。在三种不同场景下的结果证实了我们的方法的价值。
引用
@article{arxiv.1910.03915,
title = {Learning to Generalize One Sample at a Time with Self-Supervision},
author = {Antonio D'Innocente and Silvia Bucci and Barbara Caputo and Tatiana Tommasi},
journal= {arXiv preprint arXiv:1910.03915},
year = {2019}
}
备注
Submitted to ICCV 2019