基于不确定性引导的单源域泛化对比学习
计算机视觉与模式识别
2024-03-18 v2
摘要
在单一域泛化的上下文中，目标是模型仅在单一域上训练，却能在面对各种不熟悉域时表现出强大的性能。本文提出了一种新型模型，称为对抗不确定性域泛化网络（Contrastive Uncertainty Domain Generalisation Network, CUDGNet）。关键思想是通过虚构域生成器扩充输入和标签空间中的源容量，并通过对比学习在每个类的域不变表征之间进行学习。在两个单源域泛化（SSDG）数据集上的大量实验表明，我们的方法有效，能够将单一-DG 方法的性能提升最高可达 。我们的方法还能通过生成器子网络的单次前向传递提供高效的不确定性估计。
引用
@article{arxiv.2403.07514,
title = {Uncertainty-guided Contrastive Learning for Single Source Domain Generalisation},
author = {Anastasios Arsenos and Dimitrios Kollias and Evangelos Petrongonas and Christos Skliros and Stefanos Kollias},
journal= {arXiv preprint arXiv:2403.07514},
year = {2024}
}
备注
accepted at IEEE ICASSP 2024