置换AdaIN：降低图像分类中对全局统计的偏置

近期工作表明卷积神经网络分类器过度依赖纹理而牺牲形状线索。我们做出类似但不同的区分：一方面为形状与局部图像线索，另一方面为全局图像统计。我们的方法称为置换自适应实例归一化（Permuted Adaptive Instance Normalization, pAdaIN），可降低图像分类器隐藏层中全局统计的表示。pAdaIN采样一个随机置换$\pi$以重排给定批次中的样本。然后将自适应实例归一化（AdaIN）应用于每个（未置换）样本$i$的激活与样本$\pi(i)$的对应激活之间，从而在批次样本间交换统计。由于全局图像统计被扭曲，该交换过程使网络依赖如形状或纹理等线索。通过以概率$p$选择随机置换、否则选择恒等置换，可控制该效应的强度。在正确选择$p$（对所有实验固定为先验确定且未考虑测试数据）时，我们的方法在多种设置下一致优于基线。在图像分类中，我们的方法使用多种架构在CIFAR100和ImageNet上均有提升。在鲁棒性设置中，我们的方法使用多种架构在ImageNet-C和Cifar-100-C上均有提升。在域适应与域泛化设置中，我们的方法在从GTAV到Cityscapes的迁移学习任务及PACS基准上达到最先进结果。