【CVPR2021】现实世界域泛化的自适应方法

Adaptive Methods for Real-World Domain Generalization

不变方法在解决领域泛化问题方面已经取得了显著的成功，该问题的目标是对不同于训练中使用的数据分布进行推断。在我们的工作中，我们研究是否有可能利用未知测试样本本身的领域信息。我们提出一个域自适应方法包括两个步骤: a)我们首先学习区别的域嵌入从无监督训练的例子,和 b)使用该域嵌入作为补充信息来构建一个domainadaptive模型,这需要输入以及其域考虑而做出的预测。对于看不见的域，我们的方法简单地使用少数未标记的测试示例来构建域嵌入。这使得对任何看不见的域进行自适应分类成为可能。我们的方法在各种领域泛化基准上实现了最先进的性能。此外，我们还引入了第一个真实世界的大规模域泛化基准Geo-YFCC，该基准包含超过40个训练域、7个验证域和15个测试域的1.1万个样本，比之前的工作大了几个数量级。我们表明，现有的方法要么不能扩展到这个数据集，要么不如基于所有训练领域的数据联合的训练模型的简单基线。相比之下，我们的方法获得了显著的1%的改进。

https://www.zhuanzhi.ai/paper/6e7661967d0879ebfd0236873a75386b