Prmpt2Adpt：基于提示词的零样本域适应，面向资源受限环境
计算机视觉与模式识别
2025-06-23 v1 机器学习
摘要
无监督域适应(UDA)是现实视觉系统中的关键挑战，尤其是在像无人机等资源受限环境中，内存和计算资源有限。现有的基于提示词的 UDA 方法通常依赖大型视觉语言模型，且要求在适应期间完全访问源域数据，限制了其适用性。在本工作中，我们提出Prmpt2Adpt，一个轻量且高效的零样本域适应框架，基于教师-学生范式，由提示词驱动的特征对齐实现。我们方法的核心是 distillation 和 fine-tuned 的 CLIP 模型，作为 Faster R-CNN 教师的冻结 backbone。通过基于自然语言提示的 Prompt-driven Instance Normalization(PIN)，对一小组低层次源特征进行对齐。这些语义引导的特征用于简短地微调教师模型的检测头。适应后的教师生成高质量的伪标签，用于指导紧凑学生模型的即时适应。在 MDS-A 数据集上的实验表明，Prmpt2Adpt 在检测性能上与最先进的方法持肩竖指，同时实现了最高 7 倍的适应速度加速和 5 倍的推理速度提升，使用的源图像数量更少——这使其成为实时适应低资源域的实用且可扩展的解决方案。
引用
@article{arxiv.2506.16994,
title = {Prmpt2Adpt: Prompt-Based Zero-Shot Domain Adaptation for Resource-Constrained Environments},
author = {Yasir Ali Farrukh and Syed Wali and Irfan Khan and Nathaniel D. Bastian},
journal= {arXiv preprint arXiv:2506.16994},
year = {2025}
}