基于图像平移的无源域自适应

发布大规模数据集的努力可能因隐私与知识产权考量而受挫。一个可行的替代方案是发布预训练模型。虽然这些模型在其原始任务（源域）上表现强劲，但当直接部署于新环境（目标域）时其性能可能显著下降，而该环境在现实设定下可能不含用于训练的标志。域自适应（DA）是域间隙问题的已知解决方案，但通常需要有标签的源数据。本文研究无源域自适应（SFDA）问题，其显著特征是源域仅提供预训练模型，而不提供源数据。无源性给 DA 增添了重大挑战，尤其考虑到目标数据集是无标签的。为解决 SFDA 问题，我们提出了一种将目标图像风格迁移至未见源图像风格的图像平移方法。为此，我们将生成图像的批级特征统计与预训练模型批归一化层中存储的统计对齐。与直接分类目标图像相比，使用预训练模型对这些风格迁移后的图像获得了更高的准确率。在多个图像分类数据集上，我们表明上述改进是一致且在统计上显著的。