面向单域泛化的模态无关去偏方法
计算机视觉与模式识别
2023-03-14 v1 人工智能
机器学习
摘要
深度神经网络（DNNs）通常难以很好地泛化到分布外（OOD）数据，尤其在单域泛化（single-DG）这一极端情形下，即将DNNs从单一域迁移到多个未见域。现有的single-DG技术通常设计各种数据增强算法，并改造多源域泛化方法以学习域泛化（语义）特征。然而，这些方法通常是模态特定的，因此仅适用于单一模态（如图像）。相比之下，我们面向single-DG提出一种通用的模态无关去偏（MAD）框架，可实现不同模态的泛化。在技术上，MAD引入了一种新颖的双分支分类器：偏置分支鼓励分类器识别域特定（表层）特征，而泛化分支基于偏置分支的知识捕获域泛化特征。我们的MAD具有吸引力之处在于其可插拔至大多数single-DG模型。我们在包含不同模态的多种single-DG场景中验证了MAD的优越性，包括1D文本识别、2D图像识别、3D点云识别以及2D图像语义分割。更显著的是，对于3D点云识别和2D图像语义分割，MAD在准确率和mIOU上分别使DSU提升2.82%和1.5%。
引用
@article{arxiv.2303.07123,
title = {Modality-Agnostic Debiasing for Single Domain Generalization},
author = {Sanqing Qu and Yingwei Pan and Guang Chen and Ting Yao and Changjun Jiang and Tao Mei},
journal= {arXiv preprint arXiv:2303.07123},
year = {2023}
}
备注
To appear in CVPR-2023