通过剪枝辅助的域特定权重调制实现持续域适应
计算机视觉与模式识别
2023-04-18 v1
摘要
本文提出一种方法，以解决持续学习（CL）实际设定下的无监督域适应（UDA）问题。目标是在持续变化的域上更新模型，同时保留域特定知识以防止对既往所见域的灾难性遗忘。为此，我们构建了一个利用模型固有容量通过剪枝来保留域特定特征的框架。我们还使用一种基于批归一化的新度量来准确预测待使用的最终模型参数，从而实现有效推断。我们的方法不仅取得了最先进的性能，还显著防止了对过去域的灾难性遗忘。我们的代码已公开可用。
引用
@article{arxiv.2304.07560,
title = {Continual Domain Adaptation through Pruning-aided Domain-specific Weight Modulation},
author = {Prasanna B and Sunandini Sanyal and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2304.07560},
year = {2023}
}
备注
CVPR CLVision Workshop 2023, For code see https://github.com/PrasannaB29/PACDA