调和无源域适应中的质心-假设冲突
计算机视觉与模式识别
2022-12-08 v1
摘要
无源域适应（SFDA）旨在将源域学到的知识迁移至无标签目标域，且适应过程中源数据不可用。现有 SFDA 方法聚焦于自训练，通常包含成熟的熵最小化技术。SFDA 的主要挑战之一是减少由域错位引起的错误累积。近期一种策略通过基于目标样本在表示空间中聚类生成的类原型（质心）进行伪标注，成功降低了错误累积。然而，该策略也产生了一些情形，使得伪标签的交叉熵与最小熵在目标上发生冲突。我们称此冲突为质心-假设冲突。我们提出通过使熵最小化目标与伪标签交叉熵目标相对齐来调和该冲突。我们在三个域适应数据集上展示了对齐两个损失目标的有效性。此外，我们使用最新架构取得了最先进的结果，并展示了我们的方法在这些架构上的一致性。
引用
@article{arxiv.2212.03795,
title = {Reconciling a Centroid-Hypothesis Conflict in Source-Free Domain Adaptation},
author = {Idit Diamant and Roy H. Jennings and Oranit Dror and Hai Victor Habi and Arnon Netzer},
journal= {arXiv preprint arXiv:2212.03795},
year = {2022}
}