关键词:域泛化 计算机视觉
核心思想
本文是个基于多源域实现域泛化的文章。假设每个源域可以映射成空间中的一个点,那么作者认为未知领域可以看着源域空间的线性组合。
作者认为映射的关键在于BN层上。在训练时,每个源域的模型共享除BN层的参数,而BN统计各自源域的均值、方差等统计信息。测试阶段,计算单个样本的均值和方差,与各个源域的均值、方差作比较,计算Wasserstein距离。最后,测试样本在三个源域训练得到的不同BN层会得到3个输出特征,这三个特征分别乘以各自与源域的距离的导数,得到最后的输出特征。
创新点
首先通过使用batch normalization 层收集独立域的统计数据来显式训练域相关表示。然后,使用这些统计数据来映射共享潜在空间中的域,其中域的成员资格可以通过距离函数来衡量。
在测试时,将来自未知域的样本投影到同一空间,并将其域的属性推断为已知域的线性组合。