域泛化（Domain Generalization）

仓库：https://github.com/jindongwang/transferlearning
综述：https://arxiv.org/pdf/2103.03097、https://arxiv.org/pdf/2103.02503

---

1.问题及解决方案

出发点：需要解决domain shift、out-of-distribution (OOD)问题
解决方案：绕过OOD数据问题的一个简单解决方案是从目标域收集一些数据，以适应源域训练的模型。缺点是难以收集目标域数据（在交通场景语义分割中，在所有可能的天气条件下收集捕获所有不同场景的数据是不可行的）。为了克服域偏移问题以及缺乏目标数据，引入了域泛化（DG）。具体而言，DG的目标是使用来自单个或多个相关但不同的源域的数据来学习模型，使模型能够很好地推广到任何OOD目标域。

2.Domain Generalization

域泛化 (Domain Generalization, DG) 它研究的问题是从若干个具有不同数据分布的数据集（领域）中学习一个泛化能力强的模型，以便在 未知 (Unseen) 的测试集上取得较好的效果。包含了很多方法比如：domain alignment, meta-learning, data augmentation, or ensemble learning

域泛化问题与域自适应 (Domain Adaptation，DA)最大的不同：DA在训练中，源域和目标域数据均能访问（无监督DA中则只有无标记的目标域数据）；而在DG问题中，我们只能访问若干个用于训练的源域数据，测试数据是不能访问的。毫无疑问，DG是比DA更具有挑战性和实用性的场景：毕竟我们都喜欢“一次训练、到处应用”的足够泛化的机器学习模型。

域泛化与