SIDE：面向无源域自适应的自监督中间域探索
计算机视觉与模式识别
2023-10-16 v1
摘要
域自适应旨在缓解将源域所学知识迁移至目标域时的域偏移。由于隐私问题，源数据在自适应阶段不可用的无源域自适应（SFDA）近期变得极为迫切且富有挑战。现有 SFDA 方法要么聚焦于目标样本的自监督学习，要么重构虚拟源数据。前者忽视了源模型中的可迁移知识，而后者引入了更多不确定性。为解决上述问题，本文提出自监督中间域探索（SIDE），通过以自监督方式循环筛选样本的中间域有效弥合域鸿沟。首先，我们提出循环中间域滤波（CIDF）来循环选取在源域与目标域上分布相似的中间样本。其次，借助这些中间样本，我们开发了域间鸿沟过渡（IDGT）模块以缓解源数据与目标数据间可能的分布失配。最后，我们引入跨视图一致性学习（CVCL）以在将模型适配目标域的同时保持固有的类可判别性。在 Office-31、Office-Home 与 VisDA-C 三个流行基准上的大量实验表明，我们所提 SIDE 取得了与最先进方法相媲美的性能。
引用
@article{arxiv.2310.08928,
title = {SIDE: Self-supervised Intermediate Domain Exploration for Source-free Domain Adaptation},
author = {Jiamei Liu and Han Sun and Yizhen Jia and Jie Qin and Huiyu Zhou and Ningzhong Liu},
journal= {arXiv preprint arXiv:2310.08928},
year = {2023}
}
备注
code at https://github.com/se111/SIDE