MetaDefa：基于域增强与特征对齐的元学习单域泛化方法
计算机视觉与模式识别
2023-11-28 v1 机器学习
摘要
基于元学习的单域泛化(SDG)已成为解决域偏移问题的有效技术。然而，源域与增强域间数据分布匹配不足，以及域不变特征与域相关特征难以分离，使得SDG模型难以获得优异的泛化能力。为此，提出一种基于域增强与特征对齐的 novel 元学习方法(MetaDefa)以提升模型泛化性能。首先，利用背景替换与视觉损坏技术生成多样且有效的增强域。然后，设计基于类激活图与类不可知激活图的多通道特征对齐模块，以有效提取充分的迁移性知识。该模块通过聚焦源域与增强域特征空间间相似目标区域并抑制非相似目标区域的特征表示，充分挖掘域不变特征。在两个公开数据集上的大量实验表明，MetaDefa在未知多目标域上具有显著的泛化性能优势。
引用
@article{arxiv.2311.15906,
title = {MetaDefa: Meta-learning based on Domain Enhancement and Feature Alignment for Single Domain Generalization},
author = {Can Sun and Hao Zheng and Zhigang Hu and Liu Yang and Meiguang Zheng and Bo Xu},
journal= {arXiv preprint arXiv:2311.15906},
year = {2023}
}
备注
5 pages, 3 figures