面向无源无监督域适应的多中心聚类与结构正则化
计算机视觉与模式识别
2022-10-17 v1
摘要
无源域适应(SFDA)旨在通过将从预训练源模型学到的知识迁移至未知目标域来解决域适应问题。大多数现有方法通过生成特征原型为目标数据分配伪标签。然而，由于源域与目标域间数据分布差异及目标域中类别不平衡，生成的特征原型与伪标签存在严重的类偏置。此外，目标域的数据结构常被忽视，而其对聚类至关重要。本文提出一种名为PCSR的新框架，通过新颖的类内多中心聚类与结构正则化策略解决SFDA。首先，提出类间平衡采样策略为每类生成代表性特征原型。进而引入k-means聚类为目标域每类生成多个聚类中心以获得鲁棒伪标签。最后，为增强模型泛化性，对目标域引入结构正则化。在三个UDA基准数据集上的大量实验表明，我们的方法优于或媲美其他state of the art方法，证明了我们的方法在视觉域适应问题上的优越性。
引用
@article{arxiv.2210.07463,
title = {Polycentric Clustering and Structural Regularization for Source-free Unsupervised Domain Adaptation},
author = {Xinyu Guan and Han Sun and Ningzhong Liu and Huiyu Zhou},
journal= {arXiv preprint arXiv:2210.07463},
year = {2022}
}
备注
BMVC2022, codes https://github.com/Gxinuu/PCSR