通过基于归一化互相关的卷积实现单域泛化
计算机视觉与模式识别
2023-07-13 v1
摘要
深度学习技术在存在域偏移时往往表现不佳，即测试数据分布不同于训练数据。解决该问题最实际可取的方法是单域泛化（S-DG），其旨在使用单一源数据训练鲁棒模型。先前S-DG的工作主要关注使用数据增强技术生成多样化训练数据。本文通过研究线性算子（如深度学习中常用的卷积和全连接层）的鲁棒性，探索了一种替代方法。我们提出了一种称为XCNorm的新算子，计算权重与输入特征块之间的归一化互相关。该方法对局部特征块内的仿射偏移和能量变化均具有不变性，并消除了对常用非线性激活函数的需求。我们表明，由该算子构成的深度神经网络对常见语义分布偏移具有鲁棒性。此外，在单域泛化基准上的实证结果表明，我们提出的技术性能与最先进方法相当。
引用
@article{arxiv.2307.05901,
title = {Single Domain Generalization via Normalised Cross-correlation Based Convolutions},
author = {WeiQin Chuah and Ruwan Tennakoon and Reza Hoseinnezhad and David Suter and Alireza Bab-Hadiashar},
journal= {arXiv preprint arXiv:2307.05901},
year = {2023}
}
备注
10 pages, 6 figures