先桥接再重新开始：为无源视觉情感适应生成目标相关中间模型

视觉情感识别（VER）旨在理解人类对不同视觉刺激的情感反应，已引起越来越多的关注。由于情感的主观性和模糊性，标注可靠的大规模数据集十分困难。为减少对数据标注的依赖，域适应提供了一种替代方案，即将在标注源数据上训练的模型适应到未标注的目标数据。传统的域适应方法需要访问源数据。然而，出于隐私考虑，源情感数据可能无法获取。为解决这一问题，我们提出了一项未探索的任务：用于VER的无源域适应（SFDA），即在适应过程中无法访问源数据。为实现这一目标，我们提出了一种名为“先桥接再重新开始”（BBA）的新框架，包含两个步骤：域桥接模型生成（DMG）和目标相关模型适应（TMA）。首先，DMG通过生成中间模型来桥接跨域差距，避免在两个差异显著的VER数据集之间直接对齐。然后，TMA重新开始训练目标模型以适应目标结构，避免源特定知识的影响。我们在VER的六个SFDA设置上进行了大量实验。结果表明，BBA有效，与最先进的SFDA方法相比取得了显著的性能提升，并优于代表性的无监督域适应方法。