BMD：一种用于无源域适应的通用类平衡多中心动态原型策略
计算机视觉与模式识别
2022-07-19 v2
摘要
无源域适应（SFDA）旨在不访问标注良好的源数据的情况下，将预训练的源模型适应到无标签目标域，由于数据隐私、安全性和传输问题，这是一种更实际的设定。为弥补源数据的缺失，大多数现有方法引入基于特征原型的伪标注策略来实现自训练模型适应。然而，特征原型是通过基于实例级预测的特征聚类获得的，这种方式存在类别偏置，并且由于源域和目标域之间的视觉域差距通常在不同类别间不同，容易产生噪声标签。此外，我们发现单中心特征原型可能难以代表每个类别并引入负迁移，尤其对于难以迁移的数据。为解决这些问题，我们提出一种用于 SFDA 任务的通用类平衡多中心动态原型（BMD）策略。具体而言，对于每个目标类别，我们首先引入全局类间平衡采样策略来聚合潜在有代表性的目标样本。然后，我们设计类内多中心聚类策略以实现更鲁棒和更具代表性的原型生成。与现有在固定训练周期更新伪标签的策略不同，我们进一步引入动态伪标注策略，以在模型适应过程中融入网络更新信息。大量实验表明，所提出的与模型无关的 BMD 策略显著改进了代表性的 SFDA 方法，取得了新的最优结果。代码见 https://github.com/ispc-lab/BMD。
引用
@article{arxiv.2204.02811,
title = {BMD: A General Class-balanced Multicentric Dynamic Prototype Strategy for Source-free Domain Adaptation},
author = {Sanqing Qu and Guang Chen and Jing Zhang and Zhijun Li and Wei He and Dacheng Tao},
journal= {arXiv preprint arXiv:2204.02811},
year = {2022}
}
备注
Camera-ready version of ECCV 2022. Code is available at https://github.com/ispc-lab/BMD