面向无源单与目标域和多目标域自适应的 CoNMix 方法
机器学习
2022-11-09 v1 人工智能
计算机视觉与模式识别
摘要
本工作引入了无源多目标域自适应这一新任务，并提出了由标签保持增强一致性、核范数最大化与 MixUp 知识蒸馏（CoNMix）组成的自适应框架作为该问题的解决方案。本工作的主要动机是解决无源范式下的单与目标域和多目标域自适应（SMTDA），该范式施加了源标注数据在目标自适应阶段不可用的约束，原因在于数据共享方面的各种隐私限制。无源方法利用可能含噪的目标伪标签来改善目标自适应。我们引入了标签保持增强间的一致性，并采用伪标签精炼方法以减少噪声伪标签。此外，我们提出了新颖的 MixUp 知识蒸馏（MKD），借助多种无源 STDA 模型在多个目标域上实现更好的泛化。我们还展示了 Vision Transformer（VT）骨干网络能提供更优的特征表示，具备更强的域可迁移性与类别可分辨性。我们提出的框架在 Office-Home、Office-Caltech 和 DomainNet 等流行域自适应数据集上的无源 STDA 与 MTDA 多种设置中均取得了最先进（SOTA）结果。项目主页：https://sites.google.com/view/conmix-vcl
引用
@article{arxiv.2211.03876,
title = {CoNMix for Source-free Single and Multi-target Domain Adaptation},
author = {Vikash Kumar and Rohit Lal and Himanshu Patil and Anirban Chakraborty},
journal= {arXiv preprint arXiv:2211.03876},
year = {2022}
}
备注
Accepted at WACV 2023