
摘要
域泛化问题是指从多个训练域中学习,并提取一个与域无关的模型,该模型随后可以应用于未见过的域。域泛化(Domain Generalization, DG)在目标域具有独特特征但训练数据稀少的情境下具有明确的动机。例如,在素描图像识别中,素描图像比照片更为抽象且数据量较少。然而,现有的DG方法主要是在仅包含照片的数据集上进行评估,这些数据集侧重于缓解数据集偏差,而域的独特性和数据稀疏性可能较小。我们认为这些基准测试过于简单,并展示了简单的深度学习基线模型在这些基准测试上的表现出乎意料地好。本文我们做出了两项主要贡献:首先,我们利用深度学习方法对域偏移具有良好的鲁棒性,开发了一种低秩参数化的卷积神经网络(CNN)模型,用于端到端的DG学习。其次,我们构建了一个涵盖照片、素描、卡通和绘画领域的DG基准数据集。这一数据集不仅更具实际相关性,而且难度更大(更大的域偏移),超过了现有基准测试。实验结果表明,我们的方法优于现有的DG替代方案,并且我们的数据集为未来的DG研究提供了更具挑战性的测试平台。