May, 2022

吸引和分散：一种用于无源域自适应的简单方法

PDF
TL;DR提出一种用于领域自适应的无源自适应方法，通过将 SFDA 视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标，进而实现特征聚类及簇分配的高效训练，同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.
source-free domain adaptationunsupervised clusteringprediction consistencyfeature clusteringefficient training
发现论文，激发创造
  • 泛化的零样本域自适应

    本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在 VisDA 上实现了最先进的性能（85.4％）。

    Aug, 2021

  • 基于分布估计的无源领域自适应

    本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE，采用球形 k 均值聚类生成目标数据的假伪标签，并利用目标数据和锚点学习源域的类条件特征分布，通过最小化交叉适应损失函数来对齐两个数据域，在多个 DA 基准测试中实现了最先进的性能表现，并且优于需要大量源数据的传统 DA 方法。

    Apr, 2022

  • 高阶邻域信息更多：超图学习与无源无监督域自适应

    提出了一种新的基于超图学习的无源无监督领域自适应方法，通过探索多个样本之间的高阶邻域关系和考虑域偏移效应，实现了对目标样本的分类，并在多个数据集上进行了广泛实验验证。

    May, 2024

  • 信任你的好朋友：通过相互邻域聚类的无源域适应

    通过定义目标数据的局部关联性并在具有高局部关联性的数据中鼓励标签一致性，基于目标数据的内在结构，以及通过考虑局部邻居、相互邻居和扩展邻域来有效捕捉局部结构，实现了若干 2D 图像和 3D 点云识别数据集的最先进性能。

    Sep, 2023

  • SF (DA)$^2$: 无源领域适应的数据增强视角

    通过数据增强技术，我们提出了一种名为 SF (DA)^2 的新方法，它克服了先前能提出的源无关域适应方法在类保持变换和内存、计算需求等方面的挑战，并在 SFDA 场景中展现了卓越的适应性能。

    Mar, 2024

  • 无源领域自适应需要惩罚多样性

    通过使用具有不同骨干架构的独立特征提取器和弱假设惩罚正则化策略，我们提出了一种基于无监督学习的源自由域自适应新算法，以促进表示多样性，并在协变量转移方面应用。

    Apr, 2023

  • 利用固有邻域结构进行无源域自适应

    本文提出一种基于目标域数据固有结构的源无关领域适应方法，通过定义目标数据的局部亲和力并鼓励具有高局部亲和力的数据标签一致性来解决领域偏移问题，并在几个 2D 图像和 3D 点云识别数据集上取得了最先进的性能。

    Oct, 2021

  • 离线和在线无源域自适应的 BAIT 构建

    本文针对只能使用源模型进行目标领域自适应 (SFDA) 的问题，设计了一种集成多分类器的方法，其中第二个分类器旨在寻找源模型中错误分类的特征以实现 SFDA，并在多个基准数据集上验证了实验结果。

    Oct, 2020

  • 无源领域自适应的一致性正则化

    通过一致性正则化框架、软伪标签、基于采样的伪标签选择策略和全局导向的校准方法，本文提出了一种更具泛化能力的无源域适应方法，在目标训练集和测试集上同时提高模型性能，实现了在多个无源域适应基准上的最先进性能，并展示在未知测试集上的鲁棒性。

    Aug, 2023

  • 基于不确定性引导的无源域自适应

    该研究提出了一种基于概率模型的源自由领域自适应方法，通过量化源模型预测中的不确定性来指导目标适应，以对抗域漂移和缺乏源数据的问题，并且相比于传统的源自由领域自适应方法，该方法计算轻量、与源训练和目标适应相独立。

    Aug, 2022