频率感知领域泛化

深度神经网络（DNNs）在各种任务中展现出惊人的零样本泛化和新兴现象。然而，这些行为背后的基本机制仍不清楚。通过分析DNNs对图像频率的感知，我们建立了泛化行为与频率感知区域之间的关联。具有更强泛化能力的DNNs表现出更广泛的频率感知区域。因此，我们通过拓宽频率感知来提高泛化性能。具体来说，我们使DNNs能够通过频率分解和混合学习高频成分与语义标签之间的关系。基于分层特征对齐，我们允许更大的子模型指导较小子模型的频率感知。除了训练，我们还将子模型集成在一起，以在推理过程中从不同频率带中提取特征，以丰富DNNs的频率感知。我们在单一和多源领域泛化场景中的图像分类和目标检测任务中验证了我们所提出的方法的有效性。我们还展示了我们的方法在现有方法和不同DNNs之间的即插即用的可扩展性。