Domain Generalization (DG) is a research field that enables the neural networks to have generalization capability on the target domain which has not been observed during training. DG approaches are mainly divided into three categories. Among them, a style augmentation method performs well with a relatively simple algorithm. MixStyle and DSU are representative algorithms for solving DG issue. However, it also has limitations, one of which is that a new style generated by these algorithms only occurs in or near the source domain styles during training. This may not improve the generalization capability when the styles of target domains are still not explored by the styles of source and newly generated domains in the entire style space. In this paper, we propose new algorithms for solving the above limitation during training and testing stages. While preserving an original style of source domain, we explore wider style by generating new style via style augmentation. This makes each training sample to explore various styles during training. In the testing stage, we also propose entropy-based style shifting strategy. During testing, our scheme shifts the style of the target domain to the styles of source domains, then passes through the neural network and derives an output from each style. Among them, the one with the minimum entropy of the output is determined as the final output. Experimental results show that our proposed method outperforms existing methods on both multi-source and single-source domain generalization scenarios.
도메인 일반화는 신경망이 학습 과정에서 보지 못한 타겟 도메인이 있을 때, 일반화 능력을 갖도록 하는 연구 분야이다. 도메인 일반화는 주로 세 가지 분야로 나눌 수 있다. 그중에 스타일 증강 방식은 상대적으로 간단한 알고리즘으로 좋은 성능을 보여준다. 믹스 스타일 및 DSU는 스타일 증강 방식을 이용한 대표적인 도메인 일반화 알고리즘이다. 그러나 이 알고리즘들의 한계도 존재하는데, 그 중에 하나는 학습 과정에서 스타일 증강에 의해 생성되는 새로운 스타일이 기존에 있는 소스 데이터 스타일의 내부 및 근접한 위치에서 만 생성된다는 것이다. 이는 전체 스타일 영역에서 타겟 도메인의 스타일이 소스 도메인의 스타일에서 멀리 떨어져 여전히 탐험되지 않은 곳에 있을 때, 도메인 일반화 능력을 향상시키지 못할 수 있다. 이 논문에서 우리는 학습 과정과 테스트 과정 모두에서 위의 한계를 해결하는 새로운 알고리즘을 제안한다. 기존의 소 스 데이터의 스타일 영역은 유지하며, 그것의 조작을 통해 새로운 스타일을 만들고 더 넓은 스타일 공간을 탐험한다. 이것은 훈련 데이터가 다양한 스타일에 익숙해지도록 한다. 테스트 과정에서 우리는 엔트로피 기반 테스트 타임 이동 알고리즘을 제안한다. 이는 타겟 도메인의 스타일을 소스 도메인의 스타일로 이동 하여 신경망을 통과한 후 각 스타일로부터 아웃풋을 도출하고 그 중 엔트로피가 가장 작은 아웃풋을 최종 아웃풋으로 결정한다. 실험결과 제안한 방법이 기존의 존재하는 알고리즘 대비 싱글 소스 도메인 과 멀티 소스 도메인 환경 모두에서 우수한 성능을 보이는 것을 보여준다.
