CNG-SFDA：清洁与噪声区域引导的在线 - 离线无源域自适应

当训练（源）数据和测试（目标）数据的分布发生分歧时，会出现域偏移问题。无源域自适应 (SFDA) 旨在解决这一域偏移问题，其目标是在仅有训练好的源模型和未标记的目标数据可用的场景下，将源域上训练好的模型适配到目标域。在此场景中，处理目标域中的错误标签至关重要，因为它们会对模型性能产生负面影响。为解决这一问题，我们提出以在线方式更新由源模型构建的目标域中的聚类原型（即每个样本簇的质心）及其结构。在特征空间中，不同区域的样本受聚类原型影响具有不同的伪标签分布特征，我们通过定义清洁区域和噪声区域对这些样本采用不同的训练策略：我们在清洁区域选择性地使用清洁伪标签训练目标域，而在清洁与噪声区域之间引入代表中间特征的 mix-up 输入，以增加簇的紧凑性。我们在在线/离线 SFDA 设置下的多个数据集上进行了广泛实验，结果表明我们的方法 CNG-SFDA 在大多数情况下达到了最先进水平 (SOTA)。代码地址：https://github.com/hyeonwoocho7/CNG-SFDA。