SALAD：面向分类、分割与检测的无源标签无关主动域适应方法
计算机视觉与模式识别
2025-02-13 v3
摘要
我们提出了一种新方法 SALAD，用于解决将预训练的“源”域网络适配到“目标”域这一具有挑战性的视觉任务，该任务在“目标”域中标注预算较小且标签空间发生偏移。此外，该任务假设由于隐私或其他原因，源数据不可用于适配。我们假定此类系统需要联合优化双重任务：(i) 从目标域中选择固定数量的样本进行标注；(ii) 将知识从预训练网络迁移到目标域。为此，SALAD 由一个新颖的引导注意力迁移网络（GATN）和一个主动学习函数 HAL 组成。GATN 实现从预训练网络到目标网络的特征蒸馏，并由 HAL 利用可迁移性和不确定性准则挖掘的目标样本加以补充。SALAD 具有三个关键优势：(i) 它与任务无关，可应用于分类、分割和检测等多种视觉任务；(ii) 它能处理从预训练源网络到目标域的输出标签空间偏移；(iii) 它不需要访问源数据进行适配。我们在 3 个视觉任务上进行了大量实验，即数字分类（MNIST、SVHN、VISDA）、合成（GTA5）到真实（CityScapes）图像分割，以及文档版面检测（PubLayNet 到 DSSE）。我们表明，我们的无源方法 SALAD 相比那些假设可访问大量标注源数据进行适配的已有适配方法，在跨数据集和任务上取得了 0.5%–31.3% 的提升。
引用
@article{arxiv.2205.12840,
title = {SALAD: Source-free Active Label-Agnostic Domain Adaptation for Classification, Segmentation and Detection},
author = {Divya Kothandaraman and Sumit Shekhar and Abhilasha Sancheti and Manoj Ghuhan and Tripti Shukla and Dinesh Manocha},
journal= {arXiv preprint arXiv:2205.12840},
year = {2025}
}