用于域适应与域泛化的保序一致性正则化
计算机视觉与模式识别
2023-09-26 v1 机器学习
摘要
如果深度学习模型对域特定属性（例如光照、背景、相机角度等）过度敏感，则会在跨域挑战中失败。为缓解此问题，通常采用数据增强结合一致性正则化，使模型对域特定属性不那么敏感。一致性正则化强制模型对一幅图像的两个视图输出相同的表示或预测。然而，这些约束对于分类概率而言要么过于严格，要么不具备保序性。在本工作中，我们提出用于跨域任务的保序一致性正则化 (OCR)。预测上的保序性使模型对任务无关变换具有鲁棒性。因此，模型对域特定属性变得不那么敏感。综合实验表明，我们的方法在五个不同的跨域任务上取得了明显优势。
引用
@article{arxiv.2309.13258,
title = {Order-preserving Consistency Regularization for Domain Adaptation and Generalization},
author = {Mengmeng Jing and Xiantong Zhen and Jingjing Li and Cees Snoek},
journal= {arXiv preprint arXiv:2309.13258},
year = {2023}
}
备注
Accepted by ICCV 2023