通过解决拼图问题实现领域泛化

人类的适应能力在很大程度上依赖于从有监督学习和无监督学习中获取并整合知识的能力：父母指出一些重要的概念，而孩子们则通过自主学习填补这些概念之间的空白。这种方法特别有效，因为有监督学习不可能涵盖所有情况，因此自主学习能够发现不变性和规律性，有助于泛化。本文提出了一种类似的方法应用于跨域物体识别任务：我们的模型以有监督的方式学习语义标签，并通过从自监督信号中学习如何解决同一图像的拼图问题来扩展对数据的理解。这一辅助任务有助于网络学习空间相关性的概念，同时作为分类任务的正则化器。在PACS、VLCS、Office-Home和数字数据集上的多次实验验证了我们的直觉，并表明这种简单的方法优于先前的领域泛化和适应解决方案。消融研究进一步阐明了我们方法的内部机制。