.png){kind=icon}
返回
Fine-Grained Domain Generalization With Feature Structuralization
.png){kind=icon}
PRE
AI
DOI：10.1109/TMM.2025.3607716.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
细粒度领域泛化（FGDG）由于类间变化小且类内差异较大，比传统DG任务更具挑战性。当领域分布变化时，细微特征的脆弱性会导致模型性能严重下降。然而，人类天生具备泛化到分布外数据的能力，利用从辨别类别共性和特性中产生的结构化多粒度知识。同样，我们提出了一种特征结构化领域泛化（FSDG）模型，其中特征被结构化为通用、特定和混淆片段，并与相关的语义概念和谐对齐，以提高FGDG性能。具体而言，特征结构化（FS）通过联合优化五个约束实现：应用于解耦片段的去相关函数、确保通用特征一致性和特定特征差异性的三个约束，以及一个预测校准项。通过施加这些规定，FSDG被促使根据多粒度知识解耦和对齐特征，从而促进类别间鲁棒的细微区分。在三个基准上的广泛实验一致验证了FSDG优于当前最优方法，FGDG性能平均提升6.2%。此外，针对类别间共享概念与模型通道之间显式概念匹配强度的可解释性分析，以及针对各种主流模型架构的实验，证实了FS的有效性。
Keyword:
Domain generalization
fine-grained recognition
feature structuralization
multi-granularity knowledge
