源自域适应中的标签校准

源自域适应（SFDA）利用预训练的源模型和无标签的目标数据。自监督 SFDA 技术生成的伪标签常因源域与目标域之间的差异而包含噪声。传统的自监督 SFDA 技术依赖使用 softmax 函数进行确定性模型预测，导致伪标签不可靠。本文提出引入预测不确定性和 softmax 校准，以 evidential 深度学习方式对伪标签进行细化。对目标网络的输出在 Dirichlet 先验下放置，以单次前向传播捕获不确定性。进一步，softmax 校准解决了平移不变性问题，以辅助使用带噪标签进行学习。我们将evidential 深度学习损失和信息最大化损失与校准后的 softmax 结合，分别应用于先验和非先验目标知识 SFDA 设置。大量实验分析表明，我们的方法在基准数据集上优于其他最先进的方法。