MVDG：一种用于域泛化的统一多视图框架
计算机视觉与模式识别
2022-08-09 v2
摘要
为使在源域训练的模型泛化至未见目标域，域泛化(DG)近期备受关注。由于目标域无法参与训练，过拟合源域不可避免。作为一种流行的正则化技术，元学习训练方案已展现出抗过拟合能力。然而在训练阶段，当前基于元学习的方法仅沿单一优化轨迹利用一个任务，这可能产生有偏且含噪的优化方向。除训练阶段外，过拟合也会导致测试阶段预测不稳定。本文提出一种新颖多视图DG框架，以有效降低训练与测试阶段的过拟合。具体地，在训练阶段，我们开发了一种多视图正则化元学习算法，利用多条优化轨迹产生适于模型更新的优化方向。我们还从理论表明，通过增加每条轨迹中的任务数可减小泛化界。在测试阶段，我们利用多张增强图像产生多视图预测以缓解预测不稳定，显著提升模型可靠性。在三个基准数据集上的大量实验验证，我们的方法能找到平坦最小值以增强泛化，并优于若干最先进方法。
引用
@article{arxiv.2112.12329,
title = {MVDG: A Unified Multi-view Framework for Domain Generalization},
author = {Jian Zhang and Lei Qi and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2112.12329},
year = {2022}
}
备注
Accepted by ECCV2022. The code is available at https://github.com/koncle/MVDG