面向无源无监督域适应的不确定性感知伪标签过滤
计算机视觉与模式识别
2024-03-19 v1
摘要
无源无监督域适应 (SFUDA) 旨在无需访问源数据的情况下，将预训练的源模型应用于无标签的目标域。自训练是解决 SFUDA 的一种方法，其中将置信度高的目标样本迭代地选为伪标签样本以指导目标模型学习。然而，现有的启发式噪声伪标签过滤方法均需引入额外模型，这些方法对模型假设敏感且可能引入额外的误差或误标记。在本文中，我们提出了一种名为不确定性感知伪标签过滤适应 (UPA) 的方法，以由粗到细的方式高效解决此问题。具体而言，我们首先引入一个名为自适应伪标签选择 (APS) 的样本选择模块，负责过滤噪声伪标签。APS 通过聚合近邻样本的知识来使用一种简单的样本不确定性估计方法，并将置信样本选为干净的伪标签。此外，我们引入了类感知对比学习 (CACL)，通过在伪标签监督下学习稳健的成对表示来缓解对伪标签噪声的记忆。在三个广泛使用的基准上进行的大量实验表明，我们提出的方法取得了与最先进 SFUDA 方法相当的性能。代码可在 https://github.com/chenxi52/UPA 获取。
引用
@article{arxiv.2403.11256,
title = {Uncertainty-Aware Pseudo-Label Filtering for Source-Free Unsupervised Domain Adaptation},
author = {Xi Chen and Haosen Yang and Huicong Zhang and Hongxun Yao and Xiatian Zhu},
journal= {arXiv preprint arXiv:2403.11256},
year = {2024}
}
备注
Neurocomputing 2024