模型适应：无需源数据的情况下的无监督域适应
计算机视觉与模式识别
2025-02-27 v1
摘要
本文探讨了一种具有挑战性的无监督域适应设置——无监督模型适应。我们旨在探索仅依赖无标记目标数据来提高现有源预测模型在目标域性能的方法，因为在某些真实场景中，由于数据隐私问题，源标签数据可能不可用。为此，我们提出了一种新框架，即协作条件生成对抗网络，以规避对源数据的依赖。具体而言，通过生成的目标风格数据来改进预测模型，这为生成器提供更精确的指导。结果是，生成器和预测模型能够在无需源数据的情况下相互合作。此外，由于缺乏来自源数据的监督，我们提出了一种权重约束，以鼓励与源模型的相似性。还引入基于聚类的正则化，以在目标域中产生更具辨识度的特征。与传统域适应方法相比，我们的方法仅使用无标记目标数据即可在多个适应任务上实现优异性能，这验证了其在这一具有挑战性设置中的有效性。
引用
@article{arxiv.2502.19316,
title = {Model Adaptation: Unsupervised Domain Adaptation without Source Data},
author = {Rui Li and Qianfen Jiao and Wenming Cao and Hau-San Wong and Si Wu},
journal= {arXiv preprint arXiv:2502.19316},
year = {2025}
}
备注
accepted by CVPR2020