【领域泛化论文阅读】Momentum Contrast for Unsupervised Visual Representation Learning

        论文指出之前的工作是通过去除source domain的image style或者多样化 style，这解决了style的过拟合，但忽略了content的过拟合。这篇论文是通过wild来多样化source domain的content和style，以达到域泛化的目标。

        Baseline model通过segmentation loss式(1)来训练，只是普通的语义分割损失函数。

        Feature Stylization是为了多样化source style，通过添加多层的AdaIN层将wild style传递给source feature，如式(2)所示

        Content Extension Learning是为了防止对source content的过拟合，将源域的content扩展到wild，来增强intra-class的变化，达到一个好的泛化性。

        论文采用了对比学习，将content扩展到wild-stylized，损失函数是式(3)，将zis和zisw作为正样本对，迫使它们靠近，而zsw中其他的与zis的类别不同的zisw是zs的负样本，尽量远离。

        下一步是将content扩展到wild，因为wild数据集是没有y的，所以式(3)不能直接用，因此论文将zsw存储在字典Q中，先通过式(7)找到最相似的zisw来代替ziw，得到loss式(8)。最后将两个损失函数加一起得到CEL的loss式(10)。

        Style Extension Learning是为了防止对source style的过拟合，虽然FS已经多样化了style，但是得到的wild-stylized的语义分割结果很差，所以SEL是通过损失函数式(11)让网络能适应wild-stylized。

       Semantic Consistency Regularization是为了使ps和psw一致，学习一致的语义信息，损失函数是KL散度式(12)

参考文献

1. Lee S, Seong H, Lee S, et al. WildNet: Learning Domain Generalized Semantic Segmentation from the Wild[J]. arXiv preprint arXiv:2204.01446, 2022.