面向形状偏置的无监督表示学习用于域泛化
计算机视觉与模式识别
2020-03-31 v2
摘要
众所周知，在不觉知过程的情况下，我们的大脑似乎关注对象的整体形状而非语境的表层统计。另一方面，自主地学习能发现有助于泛化的不变规律。本工作中，我们提出一种学习框架以改善自监督方法的形状偏置特性。我们的方法通过整合域多样化与拼图游戏来学习语义与形状偏置的表示。第一个模块使模型能在任意域间创建动态环境并提供域探索与利用的权衡，而第二个模块允许模型自主探索该环境。这一通用框架不需要对感兴趣域的先验知识。在多个域泛化数据集（即 PACS、Office-Home、VLCS 和 Digits）上进行了充分实验。我们表明我们的框架以较大优势优于最先进的域泛化方法。
引用
@article{arxiv.1909.08245,
title = {Towards Shape Biased Unsupervised Representation Learning for Domain Generalization},
author = {Nader Asadi and Amir M. Sarfi and Mehrdad Hosseinzadeh and Zahra Karimpour and Mahdi Eftekhari},
journal= {arXiv preprint arXiv:1909.08245},
year = {2020}
}
备注
Under review