摘要
在领域泛化（domain generalization）任务中，目标是利用多个源域（source domains）训练一个能够泛化至未见目标域（unseen target domains）的模型。目前许多方法通过显式对齐不同域之间的数据分布来实现这一目标。然而，由于目标域在训练阶段不可用，这种域对齐的优化过程存在过拟合的风险。为解决该问题，本文提出一种基于自蒸馏（self-distillation）的领域泛化方法。该方法通过在多个域中允许模型产生有意义的错误预测，从而训练出对域偏移（domain shift）具有鲁棒性的模型。具体而言，我们的方法将同一类别但来自不同域的数据的预测分布集合，与每个单独的预测分布进行匹配。此外，我们还提出了一种去风格化（de-stylization）方法，通过标准化图像的特征图，以促进预测结果的一致性。在两个主流基准数据集上的图像分类实验表明，所提出的方法在单源与多源设置下均显著提升了模型性能。同时，我们在行人重识别（person-reID）任务中也验证了该方法的有效性。在所有实验中，所提方法均实现了显著的性能提升。