学习优化领域特定归一化以实现领域泛化

我们提出了一种基于深度神经网络的简单而有效的多源域泛化技术，通过引入针对各个域优化的归一化层来实现。我们的方法在学习每个域的独立仿射参数时采用了多种归一化方法。对于每个域，激活值通过多种归一化统计量的加权平均进行归一化。如果需要，每种归一化类型的统计量会分别记录。具体而言，在我们的实现中，我们采用了批量归一化（Batch Normalization）和实例归一化（Instance Normalization），以确定这两种归一化方法在每个域中的最佳组合。优化后的归一化层能够有效提升所学模型的泛化能力。我们在标准的域泛化基准测试中展示了算法的最先进准确性，并证明了其在多源域适应和存在标签噪声情况下的域泛化的可行性。