基于置信度边际加权伪标签的洗牌 PatchMix 数据增强以提升源自域适应
计算机视觉与模式识别
2025-08-28 v1
摘要
本 work 研究了源自域适应 (SFDA)，其中模型在没有访问源数据的情况下适应目标域。引入一种新的数据增强技术，洗牌 PatchMix (SPM)，以及一种新的重新加权策略，以提升性能。SPM 通过洗牌和混合图像块来生成多样且具有挑战性的增强，而重新加权策略则优先选择可靠的伪标签以缓解标签噪声。这些技术在像 PACS 这类较小的数据集上尤为有效，因为过拟合和伪标签噪声在此类数据集上风险更大。在三个主要基准上实现了最先进的结果：PACS、VisDA-C 和 DomainNet-126。值得注意的是，在 PACS 上，单目标和多目标设置分别实现了 7.3%（从 79.4% 提升到 86.7%）和 7.2% 的提升，而在 DomainNet-126 和 VisDA-C 上分别实现了 2.8% 和 0.7% 的提升。这一先进的数据增强与稳健的伪标签重新加权策略的结合，为 SFDA 树立了新的基准。代码已提供：https://github.com/PrasannaPulakurthi/SPM
引用
@article{arxiv.2505.24216,
title = {Shuffle PatchMix Augmentation with Confidence-Margin Weighted Pseudo-Labels for Enhanced Source-Free Domain Adaptation},
author = {Prasanna Reddy Pulakurthi and Majid Rabbani and Jamison Heard and Sohail Dianat and Celso M. de Melo and Raghuveer Rao},
journal= {arXiv preprint arXiv:2505.24216},
year = {2025}
}
备注
6 pages, 3 figures, 5 tables, Accepted to IEEE ICIP 2025