基于不确定性与自训练的特征对齐用于无源无监督域适应
计算机视觉与模式识别
2023-03-17 v2 机器学习
摘要
大多数无监督域适应（UDA）方法假设在模型适应期间可使用带标签的源图像。然而，由于保密问题或移动设备上的内存限制，该假设往往不可行。一些近期提出的方法在适应期间不需要源图像，但在扰动图像上表现出有限性能。为解决这些问题，我们提出一种新颖的无源 UDA 方法，仅使用预训练的源模型与无标签目标图像。我们的方法通过引入数据增强来捕捉偶然不确定性，并以两个一致性目标训练特征生成器。特征生成器被鼓励学习远离头部分类器决策边界的一致视觉特征。因此，适应后的模型对图像扰动更加鲁棒。受自监督学习启发，我们的方法在预测空间与特征空间之间促进空间间对齐，同时在特征空间内纳入空间内一致性以减小源域与目标域之间的域差距。我们还考虑认知不确定性以提升模型适应性能。在流行 UDA 基准数据集上的大量实验表明，所提出的无源方法与普通 UDA 方法相当甚至更优。此外，当输入图像受扰动时，适应后的模型展现出更鲁棒的结果。
引用
@article{arxiv.2208.14888,
title = {Feature Alignment by Uncertainty and Self-Training for Source-Free Unsupervised Domain Adaptation},
author = {JoonHo Lee and Gyemin Lee},
journal= {arXiv preprint arXiv:2208.14888},
year = {2023}
}