域泛化（Domain generalization）是从一个或多个源域中学习‌，其目标是提取一个可以在未知目标域中使用的域不变模型。在网络训练过程中，模型可能会过度依赖于训练数据集的分布，最终导致无法准确捕获未见数据中存在的适当模式。

该研究提出的域泛化框架

针对这一问题，中国科学院沈阳自动化研究所机器人学研究室机器智能课题组提出了一种加权标签平滑正则化（weighted label smoothing regularization）方法。相关研究以Label smoothing regularization-based no hyperparameter domain generalization为题在Knowledge-Based Systems发表。

该方法通过加权标签平滑正则化引入类间监督，使得模型更加关注类别之间的相对关系而不是绝对差异，从而帮助模型学习到更通用的特征，缓解网络的过拟合特性，提高模型对未知新数据的泛化能力。此外，权重自适应技术寻求迁移性和判别性之间的平衡，使网络更新更加稳定。该研究成果为解决现实世界不同光线、不同天气场景下的视觉感知问题提供了新思路。

本研究得到了国家自然科学基金项目、中国科学院青促会项目、辽宁省“揭榜挂帅”科技计划项目以及沈阳自动化所基础研究项目支持。（机器人学研究室）

论文链接：https://www.sciencedirect.com/science/article/pii/S0950705124015119

Doi: 10.1016/j.knosys.2024.112877