基于双向 Atkinson-Shiffrin 记忆的黑盒无监督域适应
计算机视觉与模式识别
2023-08-28 v1
摘要
黑盒无监督域适应（UDA）在训练期间利用目标数据的源预测进行学习，而不访问源数据或源模型，其在数据隐私和目标网络选择的灵活性方面具有明显优势。然而，目标数据的源预测通常含有噪声，用其训练容易导致学习崩溃。我们提出 BiMem，一种双向记忆机制，学习记住有用且具有代表性的信息以动态纠正噪声伪标签，从而实现可跨不同视觉识别任务泛化的鲁棒黑盒 UDA。BiMem 构建三类记忆，包括感觉记忆、短时记忆和长时记忆，它们以双向方式交互以全面且鲁棒地记忆所学特征。它包含前向记忆流（识别并存储有用特征）和后向校准流（逐步修正特征的伪标签）。大量实验表明，BiMem 在图像分类、语义分割和物体检测等多种视觉识别任务上持续取得优越的域适应性能。
引用
@article{arxiv.2308.13236,
title = {Black-box Unsupervised Domain Adaptation with Bi-directional Atkinson-Shiffrin Memory},
author = {Jingyi Zhang and Jiaxing Huang and Xueying Jiang and Shijian Lu},
journal= {arXiv preprint arXiv:2308.13236},
year = {2023}
}
备注
Accepted to ICCV2023