基于噪声标签学习的无源视频域自适应
计算机视觉与模式识别
2025-12-01 v2
摘要
尽管分类方法取得了进展，当前处理源域和目标域间具有分布偏移的视频的方法仍依赖于源数据，因为它们在自适应阶段需要访问源数据。本文中，我们提出一种基于自训练的无源视频域自适应方法来通过弥合源域和目标域之间的差距应对这一挑战。我们使用源预训练模型为目标域样本生成伪标签，这些伪标签不可避免地含有噪声。因此，我们将无源视频域自适应问题视为从噪声标签中学习，并认为具有正确伪标签的样本可帮助我们进行自适应。为此，我们利用交叉熵损失作为伪标签正确性的指示符，并使用目标域中由此得到的小损失样本来微调模型。我们通过实现一个教师-学生（TS）框架进一步提升自适应性能，其中教师逐步更新以产生可靠的伪标签。同时，学生使用这些生成的伪标签在目标域视频上微调以提升其性能。大量实验评估表明，我们的方法（称为 CleanAdapt、CleanAdapt + TS）取得了最先进的结果，在各种公开数据集上优于现有方法。我们的源代码公开于 https://avijit9.github.io/CleanAdapt。
引用
@article{arxiv.2311.18572,
title = {Source-free Video Domain Adaptation by Learning from Noisy Labels},
author = {Avijit Dasgupta and C. V. Jawahar and Karteek Alahari},
journal= {arXiv preprint arXiv:2311.18572},
year = {2025}
}
备注
Our extended ICVGIP paper is now accepted in Pattern Recognition