Self-challenging improves cross-domain generalization(RSC), ECCV 2020

对 resnet 最后一层输出的特征 [7,7,512]，按比例 p drop 掉高梯度的特征，强制网络学到多样的特征。

特征选取方案分为 Spatial-wise RSC [7,7] 和 Channel-wise RSC [1,512]。

Informative Dropout for Robust Representation Learning: A Shape-bias Perspective, ICML 2020

CNN 在做分类时容易关注 texture 而不是 shape，本文认为 texture 包含较少的信息量，而 shape 区域往往含有较大的信息量（类似边缘检测），因此，在训练时 drop 掉信息量少的区域有助于驱使模型更关注物体的形状。

这种鲁棒的表征学习方式在 domain generalization, few-shot classification, image corruption, and adversarial perturbation 这些任务上均取得了一定的效果。

Cross-domain gated learning for domain generalization, IJCV 2022

Cross-domain Gating Branch 利用其它域训练的模型对当前域数据的特征得到一个 mask，drop 掉特征 domain-specific 的部分

Domain Generalization Guided by Gradient Signal to Noise Ratio of Parameters, ICCV 2023

选取 drop 的区域时根据 gradient-signal-to-noise ratio (GSNR)

PLACE dropout: A Progressive Layer-wise and Channel-wise Dropout for Domain Generalization, TOMCCAP 2023

大部分现有方法只在一些具体的层上做 dropout，本文则聚焦多层，会随机选取一层并随机选取一些通道做 drop 操作

Domaindrop: Suppressing domain-sensitive channels for domain generalization, ICCV 2023

本文观察到有一些通道对不同域是很敏感的，因此设计方法来定位这些通道并 drop 掉