伪标记中选择性的无监督多源自由领域自适应的优势
本篇论文提出了一种基于结构化预测的选择性伪标记策略，通过无监督聚类分析激活样本在深度特征空间内的固有规律以促进准确伪标记，实验证明该策略表现优于当代最先进方法。
Nov, 2019
无监督领域适应的研究中，通过使用预训练网络进行多阶段伪标签优化程序，解决了无标签目标数据中的类别错位问题，证明了该简单方法在多个数据集上比复杂的最先进技术更有效。
Feb, 2024
通过基于密度的聚类算法提出伪标签课程表，通过高密度值子集进行早期训练，在后期使用低密度值的数据子集，进而改进网络生成伪标签的能力，提高模型的训练效果并实现最先进的性能
Aug, 2019
本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。
Sep, 2021
无需访问源数据，本研究提出了一种新的框架，通过估计无标签目标数据的模型准确性来解决深度视觉模型在源和目标分布之间存在性能降低的问题。将伪标签用于准确性估计，并采用最新的无源域自适应算法，利用源假设来适应目标伪标签函数，并通过对目标模型的输入进行自适应对抗扰动以减轻错误伪标签的影响，从而有效解决具有挑战性的分布偏移情景，并胜过需要源数据和标签进行训练的现有方法。
Jul, 2023
本文提出一种基于损失加权策略的 Source-free Unsupervised Domain Adaptation 方法，该方法在没有源数据的情况下，通过估计伪标签的不确定性来逐步优化伪标签，并采用一种自监督对比框架作为目标空间规范化器来增强知识聚合，并在三个基准测试中均取得了显著的优异表现，证明了该方法的鲁棒性。
Mar, 2023
使用自主训练、伪标签、微调和师生框架等方法，这篇论文提出了解决视频领域适应性问题的方法，以在没有源数据的情况下实现源无关自适应，并取得了领先的实验结果。
Nov, 2023
该论文提出了一种无需源数据的领域自适应技术，其基于生成式框架，使用来自源类的分类器生成样本，并使用神经能量网络训练联合分布，在此极为新颖的场景中取得了比基准模型更好的结果。
Feb, 2021
本文提出了一种基于伪源域的方法，通过生成和扩充伪源域，引入四种新的基于伪标签的策略 loss 进行分布对齐，并在伪源域和剩余目标域之间引入一个域对抗损失，以减少分布漂移，从而有效地解决了无监督域自适应的问题。
Sep, 2021