论文《Transfering Low-Frequency Features xxxx》《FreConv: Frequency Branch-and-Integration xxxx》

ICME 2022
链接: Transfering Low-Frequency Features for Domain Adaptation

摘要和结论
  文章以unsupervised domain adapation问题作为对象，现有一些类别做分类，但是相同的类别同时在两个域中出现，这时在domian a上训练（fine-tuning）的模型在domain b上识别相同类的样本时，会因为域不同而导致识别性能的下降，即train和test样本不属于同一个域，这是一个跨域不跨类的识别问题。
  工作发现，仅仅使用一个高斯的low-pass filter，对feature map进行低通滤波，获得feature map的低频部分，也就是在global avgpool之前加一个高斯filter，均值为$0$，标准差为$m/2$（$1\sigma =68\%$），在train上训练，在test上测试，就能有一定的提升。（下采样也能达到低通的效果，但是下采样的采样频率不符合香农采样定理，因此下采样并不能实现理想的低通）
  有效的原因：低频部分可以表达物体的形状，而同一个类别物体的形状是跟它本身是什么类有关系，和这个样本处于哪个域下关系不大，因为低频信息是域无关特征（domain-invariant），所以在跨域不跨类的识别问题上，学习到的类别物体特征能够在不同的域中保持鲁棒，不因域变化而对类别物体的特征表达产生什么变化。

ICME 2023
链接: FreConv: Frequency Branch-and-Integration Convolutional Networks

摘要和结论
感觉文章还有一些不清楚的地方，等待作者回应。