面向无源无监督域自适应的自监督噪声标签学习
计算机视觉与模式识别
2021-02-24 v1
摘要
在许多现有的无监督域自适应方法中，自由访问源数据是一个很强的先决条件。然而，由于昂贵的数据传输与数据隐私保护限制，在许多实际场景中源数据是不可知的。通常期望给定的源域预训练模型仅利用无标签目标数据进行优化，这被称为无源无监督域自适应。本文从噪声标签学习的角度解决该问题，因为给定的预训练模型可通过直接网络推理为无标签目标数据预生成噪声标签。在此问题建模下，结合自监督学习，我们提出一种新颖的自监督噪声标签学习方法，其可利用预生成标签与即时自生成标签有效微调预训练模型。我们进行了大量实验以验证其有效性。我们的方法可轻松取得最先进（state-of-the-art）结果，并以极大优势超越其他方法。代码将公开。
引用
@article{arxiv.2102.11614,
title = {Self-Supervised Noisy Label Learning for Source-Free Unsupervised Domain Adaptation},
author = {Weijie Chen and Luojun Lin and Shicai Yang and Di Xie and Shiliang Pu and Yueting Zhuang and Wenqi Ren},
journal= {arXiv preprint arXiv:2102.11614},
year = {2021}
}