ElimPCL：基于渐进式课程标记消除源自域适应中的噪声累积
计算机视觉与模式识别
2025-04-01 v1
摘要
源自域适应（SFDA）旨在无需源数据即可训练目标模型，其关键在于利用预训练源模型生成伪标签。然而，我们观察到源模型常常对难样本（尤其是受域偏移严重影响的样本）产生高度不确定的伪标签，导致这些噪声伪标签在适应之前即被引入并通过参数更新进一步强化。此外，这些噪声样本通过特征空间中的传播持续影响邻近样本。为消除噪声累积问题，我们提出一种新的渐进式课程标记方法（ElimPCL），该方法基于原型一致性迭代过滤可信伪标签样本，以排除训练中的高噪声样本。此外，我们在特征空间设计了双MixUP技术，以增强难样本的可分离性，从而减轻噪声样本对其邻近样本的干扰。大量实验表明，ElimPCL在挑战性任务上相较于当前最先进的方法可实现最高3.4%的提升。
引用
@article{arxiv.2503.23712,
title = {ElimPCL: Eliminating Noise Accumulation with Progressive Curriculum Labeling for Source-Free Domain Adaptation},
author = {Jie Cheng and Hao Zheng and Meiguang Zheng and Lei Wang and Hao Wu and Jian Zhang},
journal= {arXiv preprint arXiv:2503.23712},
year = {2025}
}
备注
ICME 2025 camera-ready