不确定性引导的开放集无源无监督域适应与目标私有类分离
计算机视觉与模式识别
2024-04-17 v1 人工智能
机器学习
摘要
标准的无监督域适应（UDA）旨在将知识从标记的源域转移到未标记的目标域，但通常需要同时访问源数据和目标数据。此外，UDA方法通常假设源域和目标域共享相同的标签空间。然而，这两个假设在现实场景中很难满足。本文考虑了更具挑战性的无源开放集域适应（SF-OSDA）设置，其中两个假设都被放弃。我们提出了一种新颖的SF-OSDA方法，该方法通过将目标私有类别的样本分离到多个未知类中来利用其粒度。从基于初始聚类的分配开始，我们的方法通过使用基于不确定性的样本选择模块细化其伪标签，逐步改进目标私有样本的分离。此外，我们提出了一种新颖的对比损失，称为NL-InfoNCELoss，它将负学习整合到自监督对比学习中，增强了模型对噪声伪标签的鲁棒性。在基准数据集上的大量实验证明了所提出方法相对于现有方法的优越性，建立了新的最先进性能。值得注意的是，额外的分析表明，我们的方法能够学习新类别的底层语义，为进行新类别发现开辟了可能性。
引用
@article{arxiv.2404.10574,
title = {Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation},
author = {Mattia Litrico and Davide Talon and Sebastiano Battiato and Alessio Del Bue and Mario Valerio Giuffrida and Pietro Morerio},
journal= {arXiv preprint arXiv:2404.10574},
year = {2024}
}