用于域泛化的随机对抗风格扰动
计算机视觉与模式识别
2023-11-23 v2 机器学习
摘要
我们提出了一种新颖的域泛化技术，称为随机对抗风格扰动（RASP），其动机源于这样的观察：每个域的特征由对应于风格的特徵统计量所捕获。所提算法将特征的风格沿对抗方向朝随机选定的类别扰动，并使模型学习避免被未见目标域中观察到的意外风格所误导。尽管RASP能有效处理域偏移，但其朴素地集成到训练过程中可能削弱从源域学习知识的能力，因为它对表示的扰动没有限制。这一挑战通过归一化特征混合（NFM）得到缓解，NFM在促进原始特征学习的同时，借助训练期间对扰动表示的混合实现对其的鲁棒性。我们在多个基准上通过大量实验评估所提算法，并表明我们的方法提升了域泛化性能，尤其在大规模基准中。
引用
@article{arxiv.2304.01959,
title = {Randomized Adversarial Style Perturbations for Domain Generalization},
author = {Taehoon Kim and Bohyung Han},
journal= {arXiv preprint arXiv:2304.01959},
year = {2023}
}