用于协变量偏移鲁棒性的自监督动态网络
计算机视觉与模式识别
2020-06-09 v1
摘要
由于监督学习仍主导大多数 AI 应用，测试时性能常出乎意料。具体而言，由背景噪声、光照变化或转录错误等典型干扰引起的输入协变量偏移，会导致预测精度显著下降。最近研究表明，引入自监督可显著提升协变量偏移鲁棒性。本工作中，我们提出自监督动态网络（SSDN）：一种受动态网络启发的输入依赖机制，使自监督网络能够预测主网络的权重，从而在测试时直接处理协变量偏移。我们在不同协变量偏移下的图像分类问题上展示了所提方法的概念与经验优势，并表明其显著优于可比方法。
引用
@article{arxiv.2006.03952,
title = {Self-Supervised Dynamic Networks for Covariate Shift Robustness},
author = {Tomer Cohen and Noy Shulman and Hai Morgenstern and Roey Mechrez and Erez Farhan},
journal= {arXiv preprint arXiv:2006.03952},
year = {2020}
}