SemAlign：语言引导的半监督域泛化
计算机视觉与模式识别
2026-01-21 v1
摘要
半监督域泛化（SSDG）旨在解决在有限标注数据下泛化到未见目标域的挑战。现有的 SSDG 方法强调，实现高伪标签（PL）准确率和防止模型过拟合是 SSDG 的主要挑战。鉴于此，我们表明，SSDG 文献过度关注伪标签准确率，而未考虑训练期间的最大数据利用率，这限制了潜在的性能提升。我们提出一种新颖的 SSDG 问题解决方法，通过将我们模型的中间特征与视觉语言模型（VLM）语义丰富且泛化的特征空间对齐，以促进域不变性。上述方法通过有效的图像级增强和输出级正则化策略得到增强，以提高数据利用率并最小化过拟合。在四个基准上针对现有 SSDG 基线进行的广泛实验表明，我们的方法在定性和定量上都取得了 SOTA 结果。代码将公开发布。
引用
@article{arxiv.2601.11724,
title = {SemAlign: Language Guided Semi-supervised Domain Generalization},
author = {Muditha Fernando and Kajhanan Kailainathan and Krishnakanth Nagaratnam and Isuranga Udaravi Bandara Senavirathne and Ranga Rodrigo},
journal= {arXiv preprint arXiv:2601.11724},
year = {2026}
}
备注
15 pages, 6 figures