面向邻域引导的无源域适应概率校准方法ProCal
计算机视觉与模式识别
2026-03-20 v1
摘要
无源域适应(SFDA)通过不访问源数据的情况下将预训练模型适配到未标记的目标域。虽然利用局部邻域结构的前沿方法在SFDA方面显示出前景，但它们倾向于过度依赖邻域内预测的相似性，这加速了源知识的遗忘，并增加了对局部噪声过拟合的敏感性。为解决这些问题，我们引入ProCal——一种通过双模型协作预测机制动态校准邻域基于预测的概率的概率校准方法。ProCal将源模型的初始预测与当前模型的在线输出相结合，以有效校准邻域概率。这种策略不仅减轻了局部噪声的干扰，还保留了来自源模型的判别性信息，从而实现了知识保留与域适应之间的平衡。此外，我们设计了将软监督损失与多样性损失组合的联合优化目标，以引导目标模型。我们的理论分析表明，ProCal会收敛到一种均衡状态，其中有效地融合了源知识和目标信息，减少知识遗忘和过拟合。我们通过在四个公开数据集上的31个跨域任务中的大量实验验证了我们方法的有效性。我们的代码可在https://github.com/zhengyinghit/ProCal获取。
引用
@article{arxiv.2603.18764,
title = {ProCal: Probability Calibration for Neighborhood-Guided Source-Free Domain Adaptation},
author = {Ying Zheng and Yiyi Zhang and Yi Wang and Lap-Pui Chau},
journal= {arXiv preprint arXiv:2603.18764},
year = {2026}
}