广义无源域自适应
计算机视觉与模式识别
2021-10-11 v2
摘要
域自适应（DA）旨在将从源域学到的知识迁移到一个无标签的目标域。最近的一些工作处理的是无源域自适应（SFDA），即仅有一个源预训练模型可用于适应目标域。然而，这些方法并未考虑保持源域性能，而这在实际应用中具有很高的实用价值。在本文中，我们提出了一种新的域自适应范式，称为广义无源域自适应（G-SFDA），其中学习到的模型需要在目标域和源域上都表现良好，且在适应期间只能访问当前的无标签目标数据。首先，我们提出了局部结构聚类（LSC），旨在将目标特征与其语义相似的邻居进行聚类，从而在缺乏源数据的情况下成功地将模型适应到目标域。其次，我们提出了稀疏域注意力（SDA），它产生一个二值化的域特定注意力，为不同域激活不同的特征通道，同时该域注意力将在适应过程中用于正则化梯度以保留源信息。在实验中，对于目标性能，我们的方法与现有的DA和SFDA方法相当或更优，特别是在VisDA上达到了最先进的性能（85.4%），并且我们的方法在适应单个或多个目标域后，对所有域都表现良好。代码可在 https://github.com/Albert0147/G-SFDA 获取。
引用
@article{arxiv.2108.01614,
title = {Generalized 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:2108.01614},
year = {2021}
}
备注
Accepted by ICCV 2021; Update the acknowledgement section