源无关域自适应仅需少样本微调

Apr, 2023

Few-shot Fine-tuning is All You Need for Source-free Domain Adaptation

Suho Lee, Seungwon Seo, Jihyo Kim, Yejin Lee, Sangheum Hwang

TL;DR研究表明在无标签目标数据存在特定要求 (如封闭集和标签分布一致) 或实际应用场景 (如 OOB 和标签分布转移) 的情况下，基于无源数据的领域自适应 (SFUDA) 方法具有很大的限制。通过实验证明，使用源预训练模型和少量标记数据的微调方法是一种可靠的解决方案，实验结果表明这种方法的性能优于其他方法。}

Abstract

Recently, source-free unsupervised domain adaptation (SFUDA) has emerged as a more practical and feasible approach compared to unsupervised domain adaptation (UDA) which assumes that labeled source data are alway

unsupervised domain adaptation source-free unsupervised domain adaptation fine-tuning few-shot learning performance degradation

发现论文，激发创造

无源无监督域自适应：一份调查报告

本研究针对数据保护、存储和传输等实际场景中普遍存在的源数据访问限制，提供了一篇系统综述文章，介绍了最近提出的无源自适应方法，着重对白盒和黑盒方法进行分类，并详细讨论了各类方法中的挑战以及适用于无源数据的模型在提高泛化能力方面的流行技术和常用基准数据集。

Dec, 2022

基于不确定性估计的伪标签引导源无关非监督域自适应

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

无源无监督领域自适应中的关键设计选择：一项深入实证分析

通过综合基准评估方法，本研究针对图像分类中的无源无监督领域自适应（SF-UDA）提供了一个全面的基准框架，旨在实现对 SF-UDA 方法中多个关键设计因素之间复杂关系的严格经验理解，并对多种 SF-UDA 技术进行了实证研究，评估它们在数据集上的一致性、对特定超参数的敏感性以及在不同主干架构下的适用性，强调了主干架构和预训练数据集选择对 SF-UDA 性能的重要性。

Feb, 2024

无源非监督领域适应：预测合理性的假设整合

无源无监督领域自适应（SFUDA）是一个具有挑战性的任务，模型需要在没有目标领域标签或源领域数据的情况下适应新领域。本文提出了一种新的方法，通过考虑每个样本的多个预测假设并研究每个假设的合理性来解决该问题。通过整合这些假设的理由，我们可以识别最有可能的正确假设，并将其作为伪标签集来支持半监督学习过程进行模型自适应。我们提出了一个三步自适应过程：模型预自适应、假设整合和半监督学习，以实现最佳性能。广泛的实验结果表明我们的方法在 SFUDA 任务中达到了最先进的性能，并可以轻松集成到现有方法中以改善其性能。

Feb, 2024

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

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

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。

Mar, 2023

我们是否真的需要访问源数据？用于无监督域适应的源假设转移

本文提出一种基于源模型的无监督域自适应解决方案 SHOTS，在缺乏源数据的情况下，通过信息最大化和自监督伪标签相结合的方式，学习目标特定的特征提取模块，从而使目标域的表示与源假设对齐，并在多个域自适应基准测试中取得了最新的成果。

Feb, 2020

非监督领域适应中融合预训练数据的重要性

以无监督域适应和无源自适应方法为研究对象，通过研究 ImageNet 与源域及目标域之间的相关性及 ImageNet 对目标风险的影响，发现现有方法存在的关键限制，并提出了一种新的框架 TriDA，通过保留预训练数据集（即 ImageNet）的语义结构来提升适应性能。实验证明，TriDA 在各种无监督域适应和无源自适应评估中取得了最先进的性能。

Aug, 2023

基于不确定性感知的无源无监督域适应伪标签过滤

无源无监督域自适应的不确定性伪标签过滤适应（UPA）方法，通过自适应伪标签选择（APS）模块进行精确过滤，同时引入类感知对比学习（CACL）以降低伪标签噪声的记忆化，实现与最先进的方法相当的竞争性能。

Mar, 2024

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