GLC++：通过全局-局部聚类与对比亲和力学习的无源通用域适应
计算机视觉与模式识别
2025-07-29 v2 人工智能
机器学习
摘要
深度神经网络在协变量偏移和类别偏移下常常表现出次优性能。无源域适应（SFDA）为这一困境提供了一种有前景的解决方案，然而大多数 SFDA 方法仅限于闭集场景。在本文中，我们探索了无源通用域适应（SF-UniDA），旨在准确分类属于公共类别的“已知”数据，并将其与目标私有的“未知”数据区分开来。我们提出了一种新颖的全局与局部聚类（GLC）技术，该技术包含一个自适应的“一对多”全局聚类算法来区分目标类别，并辅以局部 k-NN 聚类策略来减轻负迁移。尽管 GLC 很有效，但固有的闭集源架构导致对“未知”数据的统一处理，阻碍了对不同“未知”类别的识别。为了解决这个问题，我们将 GLC 发展为 GLC++，整合了对比亲和力学习策略。我们在多个基准数据集和类别偏移场景下检验了 GLC 和 GLC++ 的优越性。值得注意的是，在最具挑战性的开放部分集场景中，GLC 和 GLC++ 在 VisDA 上的 H-score 分别比 GATE 高出 16.8% 和 18.9%。在 Office-Home 的开放集场景中，GLC++ 将 GLC 的新类别聚类准确率提高了 4.1%。此外，引入的对比学习策略不仅增强了 GLC，也显著促进了现有方法。代码可在 https://github.com/ispc-lab/GLC-plus 获取。
引用
@article{arxiv.2403.14410,
title = {GLC++: Source-Free Universal Domain Adaptation through Global-Local Clustering and Contrastive Affinity Learning},
author = {Sanqing Qu and Tianpei Zou and Florian Röhrbein and Cewu Lu and Guang Chen and Dacheng Tao and Changjun Jiang},
journal= {arXiv preprint arXiv:2403.14410},
year = {2025}
}
备注
A substantial extension of the CVPR paper "Upcycling Models under Domain and Category Shift", recently accepted by IEEE-TPAMI. arXiv admin note: text overlap with arXiv:2303.07110