持续式无源无监督域自适应
计算机视觉与模式识别
2023-04-18 v1
摘要
现有的无源无监督域自适应（SUDA）方法天然存在灾难性遗忘。通常，在带标签源域上训练并适配到无标签目标数据的模型在目标域上性能提升，而在适配过程中不可用的源域上性能下降。在本研究中，我们的目标是在持续学习设定下应对 SUDA 这一挑战性问题，即适配到具有不同分布偏移的目标域的同时保持源域上的性能。所提出的框架由两个主要阶段组成：i）一个 SUDA 模型，产生更干净的目标标签——有利于在目标上取得良好性能；ii）一种新方法，仅利用源模型与伪标签目标数据作为先验，合成类条件的源风格图像。在 PACS、Visda-C 和 DomainNet 等主要基准上的大量实验表明，所提出的持续式 SUDA（C-SUDA）框架能够在完全不利用源数据的情况下保持源域上令人满意的性能。
引用
@article{arxiv.2304.07374,
title = {Continual Source-Free Unsupervised Domain Adaptation},
author = {Waqar Ahmed and Pietro Morerio and Vittorio Murino},
journal= {arXiv preprint arXiv:2304.07374},
year = {2023}
}
备注
Accepted at International Conference on Image Analysis and Processing, 2023