不确定性引导的无源域适应
计算机视觉与模式识别
2022-08-17 v1 机器学习
摘要
无源域适应（SFDA）旨在仅利用预训练源模型将分类器适应到无标签目标数据集。然而，源数据的缺失与域偏移使得目标数据上的预测不可靠。我们提出量化源模型预测中的不确定性并利用其引导目标适应。为此，我们通过在网络参数上引入先验来构建概率源模型，从而诱导出模型预测上的分布。不确定性通过拉普拉斯近似估计，并用于识别不位于源流形上的目标数据点，以及在最大化目标数据互信息时降低其权重。与近期工作不同，我们的概率处理计算轻量，解耦了源训练与目标适应，且无需专门的源训练或模型架构改动。我们在闭集与开集设置下展示了不确定性引导的SFDA相对于传统SFDA的优势，并提供了经验证据，表明即便不经调参，我们的方法对强域偏移也更为鲁棒。
引用
@article{arxiv.2208.07591,
title = {Uncertainty-guided Source-free Domain Adaptation},
author = {Subhankar Roy and Martin Trapp and Andrea Pilzer and Juho Kannala and Nicu Sebe and Elisa Ricci and Arno Solin},
journal= {arXiv preprint arXiv:2208.07591},
year = {2022}
}
备注
ECCV 2022