DG（领域泛化）

栀晚鸯乱

于 2024-06-24 16:43:41 发布

阅读量617

点赞数 21

文章标签： python

本文链接：https://blog.csdn.net/weixin_44690215/article/details/139926287

版权

DG方法汇总

基于文章:Domain Generalization: A Survey

领域对齐

元学习

数据增强

在这里插入图片描述

1、图像转换

2、对抗梯度

任务对抗梯度

域对抗梯度

3、增强网络

随机增强网络

随机增强网络RandConv[191]基于使用随机初始化的单层卷积神经网络将输入图像转换为“新域”的思想。由于权值在每次迭代中从高斯分布中随机采样，不进行学习，变换后的图像主要包含随机颜色失真，不包含有意义的变化，最好在传递到任务网络之前与原始图像混合。
搜索词：randconv domain generalization

现成的风格迁移模型

现成的风格转移模型利用了风格转移的进步[233]，几种DG方法[29]、[192]、[193]使用现成的风格转移模型，如AdaIN[233]来表示A(·)，它本质上将图像从一个源域映射到另一个源域进行数据增强。人们可以利用外部样式来进一步多样化源训练数据[20]，而不是在源域之间传输图像样式。尽管这些方法不需要训练风格迁移组件，但它们仍然需要域标签进行域翻译。

可学习的增强网络

可学习的增强网络这组方法旨在学习增强神经网络来合成新的域[35]、[36]、[194]。在[36]，[194]中，通过最大化图像生成器的域分类损失来生成与域无关的图像。在[35]中，通过最大化每个源域来合成伪新域，即原始图像和合成图像之间的最优传输[217]测量的域距离。

4、基于特征的增强

基于特征的增强虽然上述可学习的增强模型已经显示出有希望的结果，但它们的效率是一个主要问题，因为它们需要训练繁重的图像到图像转换模型。另一项研究侧重于特征级增强 [23]、[28]、[147]。受 CNN 特征统计中捕获图像样式的观察的启发，MixStyle [23]、[28] 通过在不同领域的实例之间混合 CNN 特征统计信息来实现样式增强。在[147]中，Mixup[234]被应用于混合像素和特征空间中不同领域的实例。