基于互信息的风格增强方法在单领域泛化中的应用

《ACM Transactions on Intelligent Systems and Technology》：Mutual Information-Guided Style Augmentation for Single Domain Generalization

单域泛化中，现有方法因缺乏精确的生成数据与原始数据互信息度量，难以生成大风格差异数据并保持特征一致性。本文提出MISA方法，通过基于 Rényi 熵的互信息近似计算优化风格生成器，结合随机卷积与仿射变换提升纹理多样性，并设计表示学习模块最小化预测概率与残差成分的互信息差异，有效解决风格跨度大时的生成质量与特征一致性难题。实验在五个数据集上验证优于基线方法。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

单领域泛化旨在开发一个在源领域训练过的强大模型，以便在未见过的目标领域中表现良好。最近在单领域泛化方面的进展主要集中在通过风格（例如，背景）增强来扩大训练数据的范围。然而，由于生成数据与原始数据之间缺乏精确的相关性度量，现有方法难以生成具有较大风格变化的数据，并且在学习特征表示时难以有效捕捉生成数据与原始数据之间的一致性。在本文中，我们提出了一种基于互信息引导的风格增强（MISA）的单领域泛化方法。具体来说，MISA包含一个风格多样性模块，该模块使用基于矩阵的Rényi$\alpha$-阶熵函数来计算增强数据与原始数据之间的近似互信息值，并将其最小化以指导风格生成器的学习。此外，MISA结合了随机卷积和仿射变换的优点，进一步提高了增强数据的纹理多样性。另外，MISA引入了一个表示学习模块，该模块最小化原始样本的预测logits与其对应残差分量之间的近似互信息值，以捕捉生成数据与原始数据之间的一致性，从而优化特征表示。使用五个真实世界的数据集进行的广泛实验表明，与最先进的方法相比，MISA的有效性得到了验证。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审阅的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的主要摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。这样做将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。