为离线与在线无源域适应投放 BAIT
计算机视觉与模式识别
2023-06-13 v5
摘要
我们研究无源域适应（SFDA）问题，即在向目标域适应过程中仅可使用源模型。我们考虑两种设定：离线设定下所有目标数据可被多次访问（多个 epoch）以对每个目标样本得出预测；以及在线设定下目标数据需在到达时直接分类。受基于多样化分类器的域适应方法启发，本文引入第二个分类器，但其另一分类器头固定。当适应目标域时，由源分类器初始化的附加分类器有望发现被误分类的特征。接着，在更新特征提取器时，这些特征将被推向源决策边界的正确一侧，从而实现无源域适应。实验结果表明，所提方法在多个基准数据集上的离线 SFDA 相较于现有 DA 与 SFDA 方法取得了有竞争力的结果，并且在在线无源域适应设定下大幅超越其他 SFDA 方法。
引用
@article{arxiv.2010.12427,
title = {Casting a BAIT for Offline and Online Source-free Domain Adaptation},
author = {Shiqi Yang and Yaxing Wang and Joost van de Weijer and Luis Herranz and Shangling Jui},
journal= {arXiv preprint arXiv:2010.12427},
year = {2023}
}
备注
Accepted by Computer Vision and Image Understanding