视觉域泛化技术及研究进展

摘要

近年来，机器学习理论和深度学习算法在计算机视觉领域发展迅速，并且在目标检测、语义分割、动作识别等任务场景中得到广泛应用。然而，实际部署中模型效果往往依赖于训练域和测试域服从独立同分布这一假设，受域偏移(Domain shift)现象影响严重。域偏移(即目标域数据分布与训练域不一致)对模型的泛化性提出了巨大挑战，使得域泛化(Domain generalization)技术成为计算机视觉领域一个重要的研究方向。域泛化研究如何在单一或者多个源域上进行模型训练，使其能够在具有不同数据分布的未知目标域上保持良好的泛化性，为模型应用提供了重要的保障。文章对近年来计算机视觉领域中域泛化研究具有代表性的论文进行梳理和总结，概述视觉域泛化技术及其研究进展。首先对域泛化的任务定义、任务特点和研究思想进行详细阐述；其次，遵循域泛化研究思路，从增广数据空间、优化模型求解和减小域间差异3个大方向分类总结域泛化领域的最新研究成果；随后介绍了域泛化技术在计算机视觉任务中的应用以及已公开的大规模数据集；最后讨论了域泛化研究领域未来可能的研究方向。

关键词

域偏移 / 域泛化 / 模型鲁棒性 / 深度学习 / 人工智能