基于能量的源自域适应伪标签细化
计算机视觉与模式识别
2025-04-24 v1
摘要
源自域适应 (SFDA) 指在没有访问源数据的情况下进行模型适应，这既具有挑战性又要求高。现有的 SFDA 技术通常依赖置信水平生成的伪标签，导致因噪声显著而产生负迁移。为解决此问题，提出能量基伪标签细化 (Energy-Based Pseudo-Label Refining, EBPR) 用于 SFDA。根据能量得分为所有样本簇创建伪标签。计算全局和类别能量阈值，以选择性地过滤伪标签。进一步引入对比学习策略以过滤困难样本，将其与增强版本对齐，以学习更具判别性的特征。我们在 Office-31、Office-Home 和 VisDA-C 数据集上验证了该方法，结果显示我们的模型 consistently 超过了当前最先进的方法。
引用
@article{arxiv.2504.16692,
title = {Energy-Based Pseudo-Label Refining for Source-free Domain Adaptation},
author = {Xinru Meng and Han Sun and Jiamei Liu and Ningzhong Liu and Huiyu Zhou},
journal= {arXiv preprint arXiv:2504.16692},
year = {2025}
}
备注
8 pages, 3 figures, accepted by PRL. code at https://github.com/Sthen111/EBPR