OneRing：一种用于无源开放部分域适应的简单方法
计算机视觉与模式识别
2023-01-12 v2 机器学习
摘要
本文研究无源开放部分域适应（SF-OPDA），其处理源域与目标域间同时存在域偏移与类别偏移的情形。SF-OPDA设定旨在应对数据隐私关切，模型在目标适应阶段无法再访问源数据。我们提出一种新颖训练方案，学习一个(n+1)路分类器以预测n个源类别与未知类，其中仅可用已知源类别的样本进行训练。进一步，对于目标适应，我们简便地采用加权熵最小化，在无源数据情况下将源预训练模型适应至无标签目标域。实验中，我们表明这一简单方法超越了当前在适应期需源数据的OPDA方法。当在目标适应中辅以闭集域适应方法时，我们的无源方法进一步在Office-31、Office-Home与VisDA上分别以2.5%、7.2%和13%的优势超越当前最先进的OPDA方法。
引用
@article{arxiv.2206.03600,
title = {OneRing: A Simple Method for Source-free Open-partial Domain Adaptation},
author = {Shiqi Yang and Yaxing Wang and Kai Wang and Shangling Jui and Joost van de Weijer},
journal= {arXiv preprint arXiv:2206.03600},
year = {2023}
}
备注
Updated. It only focuses on source-free open-partial domain adaptation, to avoid any potential misunderstanding