通过降低风格偏置来缩小域差距
计算机视觉与模式识别
2021-04-02 v4
摘要
卷积神经网络(CNNs)在面临新的测试域时常常无法保持性能，这被称为域偏移问题。近期研究表明，该问题的一个主因是CNN对图像风格（即纹理）的强归纳偏置，其对域变化敏感，而非对内容（即形状）敏感。受此启发，我们提出降低CNN的内在风格偏置以缩小域间差距。我们的风格不可知网络(SagNets)将风格编码与类别解耦，以防止风格偏置预测并更关注内容。大量实验表明，该方法有效降低了风格偏置并使模型在域偏移下更鲁棒，在多个数据集上的域泛化、无监督域适配和半监督域适配等广泛跨域任务中取得了显著的性能提升。
引用
@article{arxiv.1910.11645,
title = {Reducing Domain Gap by Reducing Style Bias},
author = {Hyeonseob Nam and HyunJae Lee and Jongchan Park and Wonjun Yoon and Donggeun Yoo},
journal= {arXiv preprint arXiv:1910.11645},
year = {2021}
}