C-SFDA: 一种基于课程学习的自我训练框架，用于高效的无源域自适应

Mar, 2023

C-SFDA: 一种基于课程学习的自我训练框架，用于高效的无源域自适应

C-SFDA: A Curriculum Learning Aided Self-Training Framework for Efficient Source Free Domain Adaptation

Nazmul Karim, Niluthpol Chowdhury Mithun, Abhinav Rajvanshi, Han-pang Chiu, Supun Samarasekera...

TL;DR本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Abstract

Unsupervised domain adaptation (UDA) approaches focus on adapting models trained on a labeled source domain to an unlabeled target domain. UDA methods have a strong assumption that the source data is accessible during adaptation, which may not be feasible in many real-world scenarios d

发现论文，激发创造

自我监督下的无监督领域自适应

本文研究无监督领域自适应，提出了一种将源域和目标域之间的表示进行对齐的方法，从而使目标域数据的分类准确性更高。该方法利用自监督任务对两个域进行训练并成功地泛化到目标域。在实验中，我们获得了四个标准基准测试中的最先进结果，并在分割适应性方面取得了有竞争力的结果。

Sep, 2019

少量源标签域自适应交叉领域自监督学习

本文针对存在部分数据标记时的无监督域自适应问题提出了一种新方法，即交叉领域自监督学习方法，它能够有效地学习既具有领域不变性又具有类别判别性的特征表示，它通过自监督学习和跨领域特征匹配实现跨域知识转移，并在三个标准基准数据集上实现了显著的性能提升。

Mar, 2020

无源域自适应语义分割

通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

利用负学习实现无源域适应语义分割中的隐式伪标签矫正

本研究提出了一种新的领域自适应解决方案，用于语义分割，通过伪标签修正的方法来避免训练中的噪声，并在未接触源模型内部规格的情况下取得很高的性能。

Jun, 2021

无源域自适应结合嘈杂标签学习

本文从标签噪声学习的角度出发，探究了在无源领域适应中的标签噪声。研究表明，仅依赖分布假设的LLN方法无法应对SFDA中的标签噪声。同时，我们证明了早期训练现象也可在SFDA中应用，并利用此方法提高了现有SFDA算法的性能。

Jan, 2023

Cal-SFDA：无源域自适应语义分割与可微的期望校准误差

提出了一种新的校准引导的无源自适应语义分割 (Cal-SFDA) 框架，该框架通过估计预期校准误差 (ECE) 进行模型训练和选择，以适应目标域数据，并在两个常用的合成-真实转移任务上超过了先前的最新技术。

Aug, 2023

基于上下文感知的无源域自适应眼底图像分割的伪标签优化

提出一种基于上下文感知的伪标签细化方法，通过学习上下文关系并根据特征距离计算，修正伪标签并校准以补偿不准确的修正，同时采用像素级和类别级去噪方法来选择可靠的伪标签进行域适应，实验结果表明该方法在跨域眼底图像上取得了最优结果。

Aug, 2023

解决无源无监督视频域自适应的标签噪声问题

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

无源域自适应中的伪标签解析

该研究针对无源领域自适应（SFDA），提出了一种通过学习噪声转移矩阵和准确预测的方法，改进了基于伪标签的SFDA方法，获得了在VisDA、DomainNet和OfficeHome三个领域自适应数据集上的最新成果。

Jan, 2024

由视觉和视觉语言预训练引导的无源域自适应

灵活的源免领域自适应（SFDA）框架，通过融合预训练网络，提升了适应性能，并能成功整合现有的SFDA方法。

May, 2024