基于数据增强的源域无监督域适应方法SF(DA)$^2$
计算机视觉与模式识别
2024-03-19 v1 人工智能
机器学习
摘要
面对深度学习模型对域迁移的脆弱性，已提出源域无监督域适应（SFDA）方法，以无需访问源域数据即可将模型适应到新的、未见的目标域。尽管应用数据增强以获益于SFDA颇具吸引力，但仍面临类保持变换先验知识缺失和计算/存储需求增加等挑战。本文提出一种基于数据增强的源域无监督域适应方法（Source-free Domain Adaptation Through the Lens of Data Augmentation, SF(DA)），在不受上述挑战限制的情况下利用数据增强的优势。我们构建了基于目标特征邻域关系的特征空间增强图，提出谱聚类方法识别预测空间中的分区。进一步，我们提出隐式特征增强和特征解耦作为正则化损失函数，有效利用特征空间中的类别语义信息。这些正则化器模拟将无限数量的增强目标特征纳入增强图，同时最小化计算和存储需求。在包括2D图像、3D点云数据集和高度不平衡数据集在内的SFDA场景中，本方法显示出卓越的适应性能。
引用
@article{arxiv.2403.10834,
title = {SF(DA)$^2$: Source-free Domain Adaptation Through the Lens of Data Augmentation},
author = {Uiwon Hwang and Jonghyun Lee and Juhyeon Shin and Sungroh Yoon},
journal= {arXiv preprint arXiv:2403.10834},
year = {2024}
}
备注
ICLR 2024. Code: https://github.com/shinyflight/SFDA2