零样本域泛化
计算机视觉与模式识别
2020-08-18 v1 机器学习
摘要
标准监督学习设定假设训练数据与测试数据来自同一分布（域）。域泛化（Domain Generalization, DG）方法试图学习一个模型，当其在来自多个域的数据上训练时，能够泛化到一个新的未见域。我们将 DG 扩展到一个更具挑战性的设定，其中未见域的标签空间也可能改变。我们将此问题引入为零样本域泛化（据我们所知，这是首个此类工作），其中模型跨新域以及这些域中的新类别进行泛化。我们提出一种简单策略，有效利用类的语义信息，使现有 DG 方法适应零样本域泛化的需求。我们在 CIFAR-10、CIFAR-100、F-MNIST 和 PACS 数据集上评估所提方法，建立了强基线以激发对该新研究方向的兴趣。
引用
@article{arxiv.2008.07443,
title = {Zero Shot Domain Generalization},
author = {Udit Maniyar and Joseph K J and Aniket Anand Deshmukh and Urun Dogan and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2008.07443},
year = {2020}
}
备注
Accepted to BMVC 2020