ProxyMix：基于代理的混合训练与标签精炼用于无源域自适应
计算机视觉与模式识别
2022-05-31 v1 人工智能
摘要
无监督域自适应（UDA）旨在将知识从有标签的源域迁移到无标签的目标域。出于隐私顾虑与繁重的数据传输，无源 UDA 近年来日益流行，其利用预训练的源模型而非原始源数据进行目标学习。一些工作尝试用生成模型恢复未见的源域，但引入了额外网络参数。其他工作提出用伪标签微调源模型，而带噪伪标签可能误导决策边界，导致不理想的结果。为解决这些问题，我们提出一种名为基于代理的混合训练与标签精炼（ProxyMix）的有效方法。首先，为避免额外参数并探索源模型中的信息，ProxyMix 将分类器的权重定义为类原型，然后通过原型的近邻构造类平衡的代理源域，以桥接未见源域与目标域。为提高伪标签的可靠性，我们进一步提出频率加权聚合策略，为无标签目标数据生成软伪标签。该策略利用目标特征的内部结构，将目标特征拉向其语义近邻，并在梯度更新时增加低频类样本的权重。借助代理域与可靠伪标签，我们在框架中采用两种混合正则化，即域间与域内混合，以对齐代理域与目标域，强制预测的一致性，从而进一步缓解噪声标签的负面影响。在三个 2D 图像与一个 3D 点云物体识别基准上的实验表明，ProxyMix 在无源 UDA 任务上取得了最先进的性能。
引用
@article{arxiv.2205.14566,
title = {ProxyMix: Proxy-based Mixup Training with Label Refinery for Source-Free Domain Adaptation},
author = {Yuhe Ding and Lijun Sheng and Jian Liang and Aihua Zheng and Ran He},
journal= {arXiv preprint arXiv:2205.14566},
year = {2022}
}