基于对比抽样与视觉持久性的从零学习：无源活跃域适应

域适应（Domain Adaptation, DA）促进了从源域向相关目标域的知识迁移。本文研究了一种实用 DA 范式，即源数据无活跃域适应（Source data-Free Active Domain Adaptation, SFADA），其中在适应期间源数据不可访问，且目标域中仅有少量标注预算。由于不引用源数据，新的挑战在于识别最具信息性的目标样本进行标注、在适应期间建立跨域对齐以及确保通过迭代查询-适应过程实现持续性能提升。在此基础上，我们提出了 learn from the learnt（LFTL），一种新的 SFADA 范式，利用源预训练模型所学知识以及活跃迭代模型所学知识而无需额外开销。我们提出对比活跃抽样（Contrastive Active Sampling）以从前一模型的假设中学习，从而查询既对当前模型信息丰富又在活跃学习过程中持续具有挑战性的目标样本。在适应期间，我们学习从活跃选择的锚点（anchors）处获取的特征，以实现视觉持久性引导的适应（Visual Persistence-guided Adaptation），从而促进特征分布对齐和活跃样本开发。在三个广泛使用的基准测试上进行了广泛实验，表明 LFTL 取得了最先进的性能，计算效率更高，且在标注预算增加时可持续实现性能提升。我们的代码已公开于 https://github.com/lyumengyao/lftl。