UDA-Bench：使用标准化框架重访无监督域适应中的常见假设
机器学习
2024-09-24 v1 计算机视觉与模式识别
摘要
在本工作中，我们深入探讨了影响现代无监督域适应 (UDA) 方法效果的多种因素，并通过大规模、受控的实证研究进行分析。为促进分析，我们首先开发了 UDA-Bench，一个新的 PyTorch 框架，对域适应的训练和评估进行标准化，从而实现对几种 UDA 方法进行公平比较。使用 UDA-Bench，我们的全面实证研究揭示了：(i) 高级 backbone 的优势会减弱无监督域适应方法的收益；(ii) 当前方法未充分利用未标记数据；(iii) 预训练数据在监督和自监督设置下均对下游适应具有显著影响。在无监督适应的语境下，这些观察揭示了若干新颖且令人惊讶的性质，同时也科学地验证了一些常被视为经验经验法则或从事实践直觉的假设，这些假设缺乏标准化的训练和评估框架。在本文中，我们将介绍 UDA-Bench 框架及其训练模型，公开地址为 https://github.com/ViLab-UCSD/UDABench_ECCV2024。
引用
@article{arxiv.2409.15264,
title = {UDA-Bench: Revisiting Common Assumptions in Unsupervised Domain Adaptation Using a Standardized Framework},
author = {Tarun Kalluri and Sreyas Ravichandran and Manmohan Chandraker},
journal= {arXiv preprint arXiv:2409.15264},
year = {2024}
}
备注
ECCV 2024 Camera-ready version