Mix and Reason：基于数据混合的语义拓扑推理用于域泛化
计算机视觉与模式识别
2022-10-17 v1 机器学习
摘要
域泛化（DG）使学习机器能够从多个已见源域泛化到未见目标域。DG 方法的通用目标是学习独立于域标签的语义表示，这在理论上合理，但由于共因与域特定因素的复杂混合，在经验上面临挑战。尽管将表示解耦为两个不相交部分在 DG 中渐成趋势，其对数据的强预设限制了其在许多真实场景中的效用。本文提出 Mix and Reason（\mire），一种通过强制语义拓扑的结构不变性来学习语义表示的新 DG 框架。\mire\ 包含两个关键组件，即类别感知数据混合（CDM）与自适应语义拓扑精炼（ASTR）。CDM 借助由两个互补分类损失生成的激活图混合来自不同域的两幅图像，使分类器聚焦于语义对象的表示。ASTR 引入关系图来表示语义拓扑，并通过局部特征聚合与全局跨域关系推理之间的交互逐步精炼。在多个 DG 基准上的实验验证了所提 \mire 的有效性与鲁棒性。
引用
@article{arxiv.2210.07571,
title = {Mix and Reason: Reasoning over Semantic Topology with Data Mixing for Domain Generalization},
author = {Chaoqi Chen and Luyao Tang and Feng Liu and Gangming Zhao and Yue Huang and Yizhou Yu},
journal= {arXiv preprint arXiv:2210.07571},
year = {2022}
}
备注
Accepted by NeurIPS 2022