LEAD：面向无源通用域自适应的学习分解
计算机视觉与模式识别
2024-03-07 v1 人工智能
机器学习
摘要
通用域自适应（UniDA）旨在解决同时存在协变量偏移和标签偏移情况下的知识迁移问题。最近，无源通用域自适应（SF-UniDA）应运而生，旨在无需访问源数据的情况下实现 UniDA，由于数据保护政策，这种方法往往更具实用性。主要挑战在于判断协变量偏移的样本是否属于目标私有的未知类别。现有方法要么通过手工设计的阈值处理，要么通过开发耗时的迭代聚类策略来解决这一问题。在本文中，我们提出了一种名为学习分解（LEArning Decomposition, LEAD）的新思路，通过将特征解耦为源已知和源未知分量来识别目标私有数据。技术上，LEAD 首先利用正交分解分析进行特征分解；随后，LEAD 构建实例级决策边界以自适应地识别目标私有数据。在各种 UniDA 场景下的大量实验证明了 LEAD 的有效性和优越性。值得注意的是，在 VisDA 数据集的 OPDA 场景中，LEAD 的整体 H-score 比 GLC 高出 3.5%，并将推导伪标签决策边界的时间减少了 75%。此外，LEAD 的另一吸引力在于它与大多数现有方法具有互补性。代码地址：https://github.com/ispc-lab/LEAD。
引用
@article{arxiv.2403.03421,
title = {LEAD: Learning Decomposition for Source-free Universal Domain Adaptation},
author = {Sanqing Qu and Tianpei Zou and Lianghua He and Florian Röhrbein and Alois Knoll and Guang Chen and Changjun Jiang},
journal= {arXiv preprint arXiv:2403.03421},
year = {2024}
}
备注
To appear in CVPR 2024