利用内在邻域结构进行无源域适应
计算机视觉与模式识别
2021-11-30 v3 机器学习
摘要
域适应（DA）旨在缓解源域与目标域之间的域偏移。大多数DA方法需要访问源数据，但这往往不可能（例如由于数据隐私或知识产权）。本文中，我们处理具有挑战性的无源域适应（SFDA）问题，其中源预训练模型在无源数据情况下被适应到目标域。我们的方法基于如下观察：目标数据虽可能不再与源域分类器对齐，仍形成清晰簇类。我们通过定义目标数据的局部亲和性来捕获该内在结构，并鼓励具有高局部亲和性的数据间标签一致。我们观察到更高亲和性应分配给互邻点，并提出一种自正则化损失以降低噪声邻点的负面影响。此外，为聚合更具上下文的信息，我们考虑具有小亲和性值的扩展邻域。在实验结果中，我们验证了目标特征的内在结构是用于域适应的重要信息源。我们证明该局部结构可通过考虑局部邻点、互邻点与扩展邻域被有效捕获。最后，我们在多个2D图像与3D点云识别数据集上取得了最先进（SOTA）性能。代码见https://github.com/Albert0147/SFDA_neighbors。
引用
@article{arxiv.2110.04202,
title = {Exploiting the Intrinsic Neighborhood Structure for Source-free Domain Adaptation},
author = {Shiqi Yang and Yaxing Wang and Joost van de Weijer and Luis Herranz and Shangling Jui},
journal= {arXiv preprint arXiv:2110.04202},
year = {2021}
}
备注
NeurIPS 2021. Fix four number errors in Tab.5 (first two tables, row 3 and 4) and corresponding text