C-SFDA：一种用于高效无源域适应的课程学习辅助自训练框架
计算机视觉与模式识别
2023-03-31 v1
摘要
无监督域适应（UDA）方法致力于将标注源域上训练的模型适应到无标注目标域。UDA 方法有一个强假设，即适应过程中源数据可访问，但由于隐私问题和设备资源限制，这在许多真实场景中可能不可行。为此，无源域适应（SFDA）表现出色，因为适应过程不再需要访问源数据。近期 SFDA 上最先进的（SOTA）方法大多聚焦于基于伪标签精炼的自训练，通常存在两个问题：i) 不可避免的噪声伪标签会导致早期训练时的记忆效应；ii) 精炼过程需要维护一个记忆库，在资源受限场景下造成显著负担。为解决这些问题，我们提出 C-SFDA，一种用于 SFDA 的课程学习辅助自训练框架，它基于选择性伪标注高效且可靠地适应跨域变化。具体而言，我们采用课程学习方案，促进从基于可靠性筛选的有限数量伪标签中学习。这一简单而有效的步骤成功防止了适应各阶段的标签噪声传播，并消除了对昂贵的基于记忆库的标签精炼的需求。我们在图像识别和语义分割任务上的大量实验评估证实了方法的有效性。C-SFDA 可直接应用于在线测试时域适应，并在该任务上优于先前 SOTA 方法。
引用
@article{arxiv.2303.17132,
title = {C-SFDA: A Curriculum Learning Aided Self-Training Framework for Efficient Source Free Domain Adaptation},
author = {Nazmul Karim and Niluthpol Chowdhury Mithun and Abhinav Rajvanshi and Han-pang Chiu and Supun Samarasekera and Nazanin Rahnavard},
journal= {arXiv preprint arXiv:2303.17132},
year = {2023}
}
备注
Accepted to CVPR 2023