面向深度域泛化的多分量图像迁移
计算机视觉与模式识别
2018-12-27 v1 人工智能
摘要
域适应（DA）和域泛化（DG）是两种密切相关的方法，都关注对未标记数据集分配标签的任务。这些方法之间唯一的区别在于 DA 在训练阶段可访问目标数据，而 DG 在训练阶段完全不可见目标数据。DG 的任务具有挑战性，因为我们没有关于目标样本的任何先验知识。如果通过将目标数据简单排除在训练之外而将 DA 方法直接应用于 DG，给定任务将表现不佳。在本文中，我们以两种方式应对域泛化挑战。在第一种方法中，我们提出一种利用生成对抗网络（GAN）生成的合成数据的新型深度域泛化架构。使用现有的域差异度量（如最大均值差异或相关性对齐）来最小化生成图像与合成图像之间的差异。在第二种方法中，我们引入一种将 DA 方法应用于 DG 场景的协议：将目标数据排除在训练阶段之外，将源数据划分为训练部分和验证部分，并将验证数据作为 DA 的目标数据。我们在四个跨域基准数据集上进行了广泛实验。实验结果表明，我们提出的模型优于当前最先进（SOTA）的 DG 方法。
引用
@article{arxiv.1812.08974,
title = {Multi-component Image Translation for Deep Domain Generalization},
author = {Mohammad Mahfujur Rahman and Clinton Fookes and Mahsa Baktashmotlagh and Sridha Sridharan},
journal= {arXiv preprint arXiv:1812.08974},
year = {2018}
}
备注
Accepted in WACV 2019