独立性视角下的相频融合领域泛化方法

作     者：肖斌 杨模 汪敏 秦光源 李欢 XIAO Bin;YANG Mo;WANG Min;QIN Guangyuan;LI Huan

作者机构：西南石油大学计算机与软件学院成都610500 西南石油大学大数据与知识工程研究中心成都610500 西南石油大学电气信息学院成都610500 西南油气田公司通信与信息技术中心成都610501 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2024年第44卷第4期

页      面：1002-1008页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(62006200) 四川省科技计划项目(2022YFG0179) 油气藏地质及开发工程国家重点实验室(成都理工大学)项目(PLC20211104) 

主　　题：领域泛化 图像分类 深度神经网络 独立性学习 相频融合 

摘      要：针对现有的领域泛化(DG)方法对领域特征处理粗糙和泛化能力弱的问题,提出一种基于频域特征独立性这一独特视角解决领域泛化问题的方法。首先,设计频域分解算法,将图像的深度特征快速傅里叶变换(FFT)后,再从相位信息中获得领域无关特征,以提高模型对领域无关特征的识别能力;其次,基于独立性视角,通过对样本的特征赋权,进一步消除频域特征中各属性的相关性,提取最有效领域无关特征,解决样本特征之间相关性带来的泛化能力差的问题;最后,提出幅度融合策略,拉近源域和目标域的距离,进一步提升模型对未知领域的泛化能力。在流行的图像领域泛化的数据集PACS和VLCS上的实验结果表明,所提方法的准确率均值比StableNet分别高0.44、0.59个百分点,且在各个数据集上均取得了优秀的性能。