基于特征加权和梯度融合的领域泛化研究

当下,深度学习图片分类训练的模型已经达到了相当高的精度。但是,在将训练完成的深度学习模型部署到实际场景的准确率并不理想。如果想保证比较优秀的模型效果,还要求测试数据和训练数据具有相似的分布,即具有独立同分布性。为了解决训练数据与实际应用数据的分布差异下迁移模型性能不佳的问题,本研究通过结合不同域的训练梯度和通过训练权重消除特征之间的依赖关系来解决深度学习模型局限于类似分布的特性。通过实验表明,本研究的效果在两个数据集的泛化效果上具有突出表现。