基于证据的图对比对齐用于源自由混合目标域适应
计算机视觉与模式识别
2024-08-27 v2 人工智能
摘要
本文首先解决一个更真实的域适应（DA）设置：源自由混合目标域适应（SF-BTDA），即我们无法访问源域数据，同时面对没有任何域标签的混合多个目标域。在现有 DA 场景中，SF-BTDA 通常面临不同目标域中不同标签偏移的共存，以及来自源模型生成的噪声目标伪标签。在本文中，我们提出了名为证据对比对齐（ECA）的新方法，以解耦混合目标域并减轻噪声目标伪标签的影响。首先，为了提高伪目标标签的质量，我们提出了校准的证据学习模块，以迭代改进最终模型的准确性和确定性，并自适应地生成高质量的伪目标标签。其次，我们设计了基于域距离矩阵和置信度-不确定性准则的图对比学习，以最小化同一类别样本在混合目标域中的分布差距，从而减轻混合目标域中不同标签偏移的共存。我们基于三个标准 DA 数据集构建了一个新基准，ECA 在其他方法之上取得显著的提升，并达到了与拥有域标签或源数据先决条件的结果相当。
引用
@article{arxiv.2408.07527,
title = {Evidential Graph Contrastive Alignment for Source-Free Blending-Target Domain Adaptation},
author = {Juepeng Zheng and Yibin Wen and Jinxiao Zhang and Runmin Dong and Haohuan Fu},
journal= {arXiv preprint arXiv:2408.07527},
year = {2024}
}