回顾与精炼：一种简单而有效的无源开放集域适应框架
计算机视觉与模式识别
2025-06-27 v2 人工智能
摘要
开放集域适应（OSDA）旨在将模型从有标签的源域适应到无标签的目标域，其中存在新类——也被称为目标私有的未知类。无源开放集域适应（SF-OSDA）方法在不访问有标签源数据的情况下解决 OSDA 问题，使其在隐私约束下尤为相关。然而，由于分布变化和新类的引入，SF-OSDA 带来了重大挑战。现有的 SF-OSDA 方法通常依赖于对样本的预测熵设定阈值来将其识别为已知或未知类，但未能显式地学习目标私有未知类的判别特征。我们提出了回顾与精炼（RRDA），一种新颖的 SF-OSDA 框架，旨在通过显式学习目标私有未知类的特征来解决这些局限性。RRDA 采用两阶段过程。首先，我们通过在由目标域特征生成的合成样本的引导下，训练一个带有额外决策边界的目标分类器，来增强模型识别未知类的能力。这使得分类器能够有效地区分已知类和未知类。其次，我们将整个模型适应到目标域，同时解决域偏移和对未知类的可区分性问题。任何现成的无源域适应方法（例如 SHOT、AaD）都可以在此阶段无缝集成到我们的框架中。在三个基准数据集上的大量实验表明，RRDA 显著优于现有的 SF-OSDA 和 OSDA 方法。
引用
@article{arxiv.2411.12558,
title = {Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework},
author = {Ismail Nejjar and Hao Dong and Olga Fink},
journal= {arXiv preprint arXiv:2411.12558},
year = {2025}
}
备注
Accepted at TMLR 2025