面向域泛化的多尺度多层对比学习

在过去的十年中，深度神经网络在学术和工业界的计算机视觉问题上带来了快速进展与重大成就。然而，尽管取得了成功，最先进的图像分类方法在如前所未知视觉语境中泛化能力不佳，而这是许多现实应用所必需的。本文关注这一域泛化（DG）问题，并认为深度卷积神经网络的泛化能力可通过利用网络的多层与多尺度表征得以提升。我们引入了一个框架，旨在通过结合多尺度下的低层与高层特征来改进图像分类器的域泛化能力，使网络在其潜空间中隐式解耦表征并学习所描绘物体的域不变属性。此外，为进一步促进鲁棒表征学习，我们受对比学习启发提出了一种新颖目标函数，旨在约束提取的表征在分布偏移下保持不变。我们在 PACS、VLCS、Office-Home 和 NICO 域泛化数据集上评估以证明方法有效性。通过大量实验，我们表明我们的模型能够超越先前 DG 方法的性能，并在所有数据集上持续产生具竞争力且最先进的成果。