通过分布估计的无源域自适应
计算机视觉与模式识别
2023-06-02 v1
摘要
域自适应旨在将已标注源域中学到的知识迁移至数据分布不同的未标注目标域。然而，由于隐私保护策略，大多数现有方法所需的源域训练数据在实际应用通常不可用。近来，无源域自适应(SFDA)受到广泛关注，其试图在不使用源数据的情况下解决域自适应问题。本工作中，我们提出一种称为 SFDA-DE 的新框架，通过源分布估计来解决 SFDA 任务。首先，我们利用球面 k-means 聚类为目标数据生成鲁棒伪标签，其初始类中心为预训练模型分类器学习到的权重向量（锚点）。此外，我们提出通过利用目标数据及相应锚点来估计源域的类条件特征分布。最后，我们从估计分布中采样替代特征，随后通过最小化对比自适应损失函数来对齐两域。大量实验表明，所提方法在多个 DA 基准上达到最先进性能，甚至优于需要大量源数据的传统 DA 方法。
引用
@article{arxiv.2204.11257,
title = {Source-Free Domain Adaptation via Distribution Estimation},
author = {Ning Ding and Yixing Xu and Yehui Tang and Chao Xu and Yunhe Wang and Dacheng Tao},
journal= {arXiv preprint arXiv:2204.11257},
year = {2023}
}