基于提示学习的单域泛化动态目标导向学习
计算机视觉与模式识别
2024-02-29 v1
摘要
单域泛化旨在从单一源域数据中学习模型，以在其他未见目标域上实现泛化性能。现有工作主要致力于提高静态网络的泛化能力。然而，静态网络无法动态适应不同图像场景中的多样化变化，导致泛化能力受限。不同场景呈现不同的复杂度水平，图像的复杂度在跨域情形下差异显著。本文提出一种基于提示学习的动态目标导向感知网络，以适应图像复杂度的变化。具体地，我们提出了基于提示学习的目标导向门控模块，以各种场景提示引导注意力聚焦于目标导向特征。随后，利用目标导向门控掩码，动态选择模块在空间和通道维度上选择高度相关的特征区域，使模型能够适应性地感知与目标导向相关的特征，从而增强泛化能力。我们在图像分类和目标检测等单域泛化任务上进行了广泛实验。实验结果表明，我们的方法在单域泛化任务中超越了当前最先进的方法，验证了我们方法有效性和普适性。
引用
@article{arxiv.2402.18447,
title = {Prompt-Driven Dynamic Object-Centric Learning for Single Domain Generalization},
author = {Deng Li and Aming Wu and Yaowei Wang and Yahong Han},
journal= {arXiv preprint arXiv:2402.18447},
year = {2024}
}