面向可泛化无源域适应的一致性正则化
计算机视觉与模式识别
2023-10-10 v2
摘要
无源域适应(SFDA)旨在不访问源数据集的情况下将训练良好的源模型适配到无标签目标域,使其在多种现实场景中具有适用性。现有的 SFDA 方法仅在目标训练集上评估其适配模型,忽略了来自未见但同分布的测试集的数据。这一疏忽导致过拟合问题并限制了模型的泛化能力。本文中,我们提出一种一致性正则化框架以开发更具泛化性的 SFDA 方法,该方法同时在目标训练集和测试集上提升模型性能。我们的方法利用弱增强图像生成的软伪标签来监督强增强图像,促进模型训练过程并增强适配模型的泛化能力。为利用更多潜在有用的监督,我们提出一种基于采样的伪标签选择策略,将具有更严重域偏移的样本纳入考虑。此外,引入了面向全局的校准方法以利用全局类别分布和特征簇信息,进一步改进适配过程。大量实验表明我们的方法在多个 SFDA 基准上达到了 SOTA 性能,并在未见测试数据集上表现出鲁棒性。
引用
@article{arxiv.2308.01587,
title = {Consistency Regularization for Generalizable Source-free Domain Adaptation},
author = {Longxiang Tang and Kai Li and Chunming He and Yulun Zhang and Xiu Li},
journal= {arXiv preprint arXiv:2308.01587},
year = {2023}
}
备注
Accepted by ICCV 2023 workshop