COCA：基于文本原型的分类器导向校准用于无源通用域自适应
计算机视觉与模式识别
2024-03-12 v2
摘要
通用域自适应（UniDA）旨在解决数据源之间的域偏移和类别偏移。近来，由于更严格的数据限制，研究者引入了无源通用域自适应（SF-UniDA）。SF-UniDA 方法在对目标域进行自适应时无需直接访问源样本。然而，现有 SF-UniDA 方法仍需大量标注源样本来训练源模型，导致显著的标注成本。为解决此问题，我们提出一种新颖的即插即用分类器导向校准（COCA）方法。COCA 利用文本原型，专为基于少样本学习结合视觉-语言模型（VLMs）的源模型设计。它赋予为闭集分类构建的 VLM 驱动的少样本学习器以未知感知能力，从而在 SF-UniDA 场景中区分常见类和未知类。关键在于，COCA 是基于 VLM 应对 SF-UniDA 挑战的新范式，其聚焦于分类器而非图像编码器优化。实验表明 COCA 优于最先进的 UniDA 和 SF-UniDA 模型。
引用
@article{arxiv.2308.10450,
title = {COCA: Classifier-Oriented Calibration via Textual Prototype for Source-Free Universal Domain Adaptation},
author = {Xinghong Liu and Yi Zhou and Tao Zhou and Chun-Mei Feng and Ling Shao},
journal= {arXiv preprint arXiv:2308.10450},
year = {2024}
}