基于优化批次级余弦相似性的源自域适应
计算机视觉与模式识别
2026-01-27 v1
摘要
源自域适应(SFDA)是旨在无需访问源数据即可将在标记源域上训练的模型适应到未标记目标域的新兴研究领域。大多数成功方法依赖邻域一致性概念，但容易因误导的邻域信息而出错。本文从学习更具信息性的簇并减轻噪声邻居影响的角度探讨了这一方法，并提出一种称为邻域签名的概念，演示仅通过针对目标域样本预测相似性与不相似性的单一损失项即可实现适应。具体而言，我们提出的方法在具有挑战性的VisDA数据集上超越现有方法，同时在其他基准数据集上也取得竞争结果。
引用
@article{arxiv.2601.17408,
title = {Source-Free Domain Adaptation by Optimizing Batch-Wise Cosine Similarity},
author = {Harsharaj Pathak and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2601.17408},
year = {2026}
}