论文阅读笔记《Batch Normalization Embeddings for Deep Domain Generalization》

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。