DAM：结合多模态基础模型的双主动学习用于无源域适应
计算机视觉与模式识别
2025-09-30 v1
摘要
无源主动域适应（SFADA）通过使用主动学习选取的有限人工标签，增强了从源模型到无标签目标域的知识迁移。尽管最近的域适应研究引入了视觉语言（ViL）模型来提高伪标签质量或特征对齐，但它们通常将基于 ViL 的监督与数据监督视为独立的来源，缺乏有效的融合。为了克服这一局限性，我们提出了结合多模态基础模型的双主动学习（DAM），这是一个新颖的框架，它整合了来自 ViL 模型的多模态监督以补充稀疏的人工标注，从而形成双重监督信号。DAM 初始化稳定的 ViL 引导目标，并采用双向蒸馏机制，在迭代适应过程中促进目标模型与双重监督之间的相互知识交流。大量实验表明，DAM 始终优于现有方法，并在多个 SFADA 基准和主动学习策略中创下了新的 SOTA。
引用
@article{arxiv.2509.24896,
title = {DAM: Dual Active Learning with Multimodal Foundation Model for Source-Free Domain Adaptation},
author = {Xi Chen and Hongxun Yao and Zhaopan Xu and Kui Jiang},
journal= {arXiv preprint arXiv:2509.24896},
year = {2025}
}
备注
5 pages