无源无监督域适应中的关键设计选择：深入的实证分析
计算机视觉与模式识别
2024-02-27 v1 机器学习
摘要
本研究为图像分类中的无源无监督域适应（SF-UDA）提供了一个全面的基准框架，旨在对SF-UDA方法中多个关键设计因素之间的复杂关系进行严格的实证理解。该研究实证检验了多种不同的SF-UDA技术，评估了它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构系列中的适用性。此外，它详尽地评估了预训练数据集和策略，特别关注监督和自监督方法，以及微调对源域的影响。我们的分析还指出了现有基准实践中的差距，引导SF-UDA研究朝着更有效和通用的方向发展。它强调了主干架构和预训练数据集选择对SF-UDA性能的重要性，作为重要参考并提供了关键见解。最后，我们发布了实验框架的源代码。这有助于构建、训练和测试SF-UDA方法，实现系统的大规模实验分析，并支持该领域的进一步研究工作。
引用
@article{arxiv.2402.16090,
title = {Key Design Choices in Source-Free Unsupervised Domain Adaptation: An In-depth Empirical Analysis},
author = {Andrea Maracani and Raffaello Camoriano and Elisa Maiettini and Davide Talon and Lorenzo Rosasco and Lorenzo Natale},
journal= {arXiv preprint arXiv:2402.16090},
year = {2024}
}