面向无源无监督域适应的不确定性诱导可迁移性表示
计算机视觉与模式识别
2023-04-19 v1
摘要
无源无监督域适应（SFUDA）旨在利用无标签目标数据和训练良好的源域模型知识来学习目标域模型。以往大多数 SFUDA 工作侧重于基于源知识推断目标数据的语义。由于未度量源知识的可迁移性，这些方法对源知识的利用不充分，且无法识别所推断目标语义的可靠性。然而，现有的可迁移性度量要么需要源数据，要么需要目标标签，在 SFUDA 中均不可行。为此，我们首先提出一种新颖的不确定性诱导可迁移性表示（UTR），其利用不确定性作为工具，在缺乏源数据和目标标签的情况下分析源编码器的通道级可迁移性。域级 UTR 揭示了编码器各通道对目标域的可迁移程度，而实例级 UTR 刻画了所推断目标语义的可靠性。其次，基于 UTR，我们提出一种用于 SFUDA 的新颖校准适应框架（CAF），包括 i）源知识校准模块，引导目标模型学习可迁移的源知识并丢弃不可迁移的部分；ii）目标语义校准模块，校准不可靠的语义。在校准后的源知识和目标语义的辅助下，模型能够安全地适应目标域并最终取得更好的效果。我们通过实验结果验证了方法的有效性，并表明所提方法在三个 SFUDA 基准上达到了最先进的性能。代码见 https://github.com/SPIresearch/UTR。
引用
@article{arxiv.2208.13986,
title = {Uncertainty-Induced Transferability Representation for Source-Free Unsupervised Domain Adaptation},
author = {Jiangbo Pei and Zhuqing Jiang and Aidong Men and Liang Chen and Yang Liu and Qingchao Chen},
journal= {arXiv preprint arXiv:2208.13986},
year = {2023}
}