摘要
领域泛化（Domain Generalization, DG）旨在从多个训练域（即源域）中学习一个模型，使其能够很好地泛化到来自不同分布的未见测试域（即目标域）数据。近年来，单源领域泛化（Single Domain Generalization, SingleDG）应运而生，以应对一种更具挑战性但更贴近现实的场景：训练阶段仅提供一个源域数据。现有的SingleDG方法通常基于数据增强策略，通过扩充域外样本以扩展源域数据的覆盖范围。总体而言，这些方法旨在生成具有挑战性的难样本，以干扰分类器的判断。然而，尽管这种方法可能提升分类器对小扰动的鲁棒性，生成的样本往往缺乏足够的多样性，难以有效模拟大规模的域偏移，因而导致泛化性能受限。为缓解这一问题，本文提出一种中心感知的对抗性增强方法，通过引入一种新颖的角度中心损失（angular center loss），对源域样本进行调整，使其在特征空间中远离各类别中心，从而有效扩展源域分布。我们在多个SingleDG基准数据集上进行了大量实验，充分验证了所提方法的有效性，结果表明，该方法在大多数情况下均优于现有最先进方法。