Estructura-consciente de estilización de características para la generalización de dominios

Generalizar a datos fuera de distribución (OOD) es una tarea desafiante para los enfoques existentes de aprendizaje profundo. Este problema proviene en gran medida de la suposición común pero a menudo incorrecta de los algoritmos de aprendizaje estadístico de que los datos de origen y destino provienen de la misma distribución i.i.d. Para abordar la variabilidad limitada de los dominios disponibles durante el entrenamiento, así como los desplazamientos de dominio en el momento de la prueba, numerosos enfoques para la generalización de dominios se han centrado en generar muestras de nuevos dominios. Estudios recientes sobre este tema sugieren que las estadísticas de características de instancias de diferentes dominios pueden ser mezcladas para simular imágenes sintetizadas de un dominio nuevo. Mientras que esta idea simple logra resultados de vanguardia en varios puntos de referencia de generalización de dominios, ignora la información estructural que es clave para transferir conocimiento a través de diferentes dominios. En este artículo, aprovechamos la capacidad de los humanos para reconocer objetos utilizando únicamente su información estructural (contornos de regiones prominentes) para diseñar un método de Estilización de Características Consciente de la Estructura para la generalización de dominios. Nuestro método mejora la estilización de características basada en la mezcla de estadísticas de instancias al imponer consistencia estructural en las diferentes muestras aumentadas por estilo. Esto se logra mediante un modelo de aprendizaje multitarea que clasifica imágenes originales y aumentadas mientras reconstruye sus bordes en una tarea secundaria. La tarea de reconstrucción de bordes ayuda a la red a preservar la estructura de la imagen durante la estilización de características, a la vez que actúa como un regularizador para la tarea de clasificación. A través de comparaciones cuantitativas, verificamos la efectividad de nuestro método frente a métodos de vanguardia existentes en PACS, VLCS, OfficeHome, DomainNet y Digits-DG. La implementación está disponible en este repositorio.