文件名称：SNR:样式归一化和还原，用于域泛化和适配
文件大小：4.7MB
文件格式：ZIP
更新时间：2024-06-17 13:58:01
JupyterNotebook
样式归一化和还原，用于域泛化和适配 介绍 对于许多实际的计算机视觉应用而言，学习的模型通常在用于训练的数据集上具有较高的性能，但是当部署在新环境中时（在训练图像和测试图像之间通常会有样式差异），学习模型会遭受明显的性能下降。 期望有效的领域可概括模型能够学习可概括和区分的特征表示。 流程图 在这项工作中，我们设计了一个新颖的样式归一化和复原模块（SNR），以同时确保网络的高泛化和区分能力。 图1显示了整体流程图。 特别是在SNR模块中，我们通过执行实例归一化（IN）以获得样式归一化的特征来过滤出样式变化（例如，照明，颜色对比度），从而减少了不同样本和域之间的差异。 但是，这样的过程是任务忽略的，不可避免地会删除一些与任务相关的区分性信息，这可能会损害性能。 为了解决这个问题，我们建议从残差（即原始特征和样式归一化特征之间的差异）中提取与任务相关的判别特征，并将其添加回网络中以确保高区分度。