基于化身原型生成与适配的无源域自适应
计算机视觉与模式识别
2021-06-30 v1
摘要
我们研究一种实用的域自适应任务，称为无源无监督域自适应（UDA）问题，由于数据隐私问题我们无法访问源域数据，仅可获得预训练的源模型和未标记的目标数据。然而，该任务非常困难，关键挑战在于：缺乏源数据和目标域标签使得模型适配极具挑战性。为此，我们提出挖掘源模型中隐藏的知识，并利用其生成源化身原型（即每个源类的代表性特征）以及目标伪标签以进行域对齐。为此，我们提出一种对比原型生成与适配（CPGA）方法。具体而言，CPGA包含两个阶段：（1）原型生成：通过探索源模型的分类边界信息，我们训练一个原型生成器，通过对比学习生成化身原型。（2）原型适配：基于生成的源原型和目标伪标签，我们开发了一种新的鲁棒对比原型适配策略，将每个伪标记的目标数据对齐到相应的源原型。在三个UDA基准数据集上的大量实验证明了所提方法的有效性和优越性。
引用
@article{arxiv.2106.15326,
title = {Source-free Domain Adaptation via Avatar Prototype Generation and Adaptation},
author = {Zhen Qiu and Yifan Zhang and Hongbin Lin and Shuaicheng Niu and Yanxia Liu and Qing Du and Mingkui Tan},
journal= {arXiv preprint arXiv:2106.15326},
year = {2021}
}
备注
Accepted by IJCAI 2021