学习生成新域用于域泛化
计算机视觉与模式识别
2021-03-10 v3
摘要
本文关注域泛化（DG），即从多源域学习一个对未见域泛化良好的模型之任务。DG的主要挑战在于可用源域常表现出有限多样性，妨碍模型学习泛化的能力。因此我们采用数据生成器从伪新域合成数据以扩充源域。这显式增加了可用训练域的多样性并带来更具泛化性的模型。为训练生成器，我们使用最优传输建模源域与合成伪新域间的分布散度并最大化该散度。为确保合成数据中的语义被保留，我们进一步对生成器施加循环一致性与分类损失。我们的方法L2A-OT（Learning to Augment by Optimal Transport）在四个基准数据集上优于当前最先进的DG方法。
引用
@article{arxiv.2007.03304,
title = {Learning to Generate Novel Domains for Domain Generalization},
author = {Kaiyang Zhou and Yongxin Yang and Timothy Hospedales and Tao Xiang},
journal= {arXiv preprint arXiv:2007.03304},
year = {2021}
}
备注
ECCV'20