交叉扰动算法

同时利用图像级和特征级扰动并在多路扰动框架中学习域不变特征，增强单域训练模型的泛化能力。

Dongjia, Zhao · Qi, Lei · Xiao, Shi · 史颖欢 · 耿新

IEEE Transactions on Circuits and Systems for Video Technology 2024

技术优势

扰动互补

同时采用图像级和特征级扰动，弥补单一扰动的不足，增强训练数据的多样性。

多路学习域不变特征

通过多路扰动从具有相同语义类别的样本的不同视角中学习域不变特征，提升模型泛化能力。

新型特征扰动

提出的MixPatch利用局部图像风格信息进一步丰富训练数据的多样性。

应用场景

• 单域泛化：直接用在单域数据上，提升模型对未知域的泛化能力。
• 数据增强：提供图像与特征结合的多层次增强，替代单一扰动方式。