用于黑盒无监督域自适应的增量式伪标签方法
计算机视觉与模式识别
2024-05-28 v1
摘要
黑盒无监督域自适应(BBUDA)仅利用源模型对目标数据的预测来学习知识，而无需访问源数据和源模型，这试图缓解对数据隐私和安全的担忧。然而，由于跨域差异，源模型生成的预测中普遍存在错误的伪标签，这可能会严重降低目标模型的性能。为了解决这个问题，我们提出了一种新颖的方法，该方法增量地选择高置信度的伪标签以提高目标模型的泛化能力。具体来说，我们首先使用源模型生成伪标签，并通过一种普通的BBUDA方法训练一个粗糙的目标模型。其次，我们通过阈值化softmax概率、原型标签和类内相似度，从低置信度数据池中迭代地选择高置信度数据。然后，我们基于粗糙的目标模型迭代地训练一个更强的目标网络，以纠正错误标记的样本，从而提高伪标签的准确性。实验结果表明，所提出的方法在三个基准数据集上实现了最先进的黑盒无监督域自适应性能。
引用
@article{arxiv.2405.16437,
title = {Incremental Pseudo-Labeling for Black-Box Unsupervised Domain Adaptation},
author = {Yawen Zou and Chunzhi Gu and Jun Yu and Shangce Gao and Chao Zhang},
journal= {arXiv preprint arXiv:2405.16437},
year = {2024}
}