基于 Avatar 原型对齐的不考虑不平衡源域自适应

May, 2023

基于 Avatar 原型对齐的不考虑不平衡源域自适应

Imbalance-Agnostic Source-Free Domain Adaptation via Avatar Prototype Alignment

Hongbin Lin, Mingkui Tan, Yifan Zhang, Zhen Qiu, Shuaicheng Niu...

TL;DR该论文提出了一个基于原模型中的隐藏知识，利用其生成原型并进行适应的对比原型生成和适应方法，以在没有源数据的情况下适应未标记的目标域，同时解决了存在不平衡类分布的实用情况，并通过新的伪标签生成策略和针对性的分类器，优化模型适应度，有望在应用中取得更好表现。

Abstract

Source-free unsupervised domain adaptation (SF-UDA) aims to adapt a well-trained source model to an unlabeled target domain without access to the source data. One key challenge is the lack of source data during domain adaptation. To handle this, we propose to mine the hidden knowledge

unsupervised domain adaptation prototype generation contrastive prototype generation and adaptation imbalance-agnostic sf-uda pseudo label generation strategy

发现论文，激发创造

通过 Avatar 原型生成和适应实现无源域自适应

本文提出了一种新的方法，称为反映原型的对比生成和调整方法（CPGA），用于解决源自由的无监督域适应问题，并证明其在三个 UDA 基准数据集上的有效性和优越性。

Jun, 2021

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

通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的 SFDA 方法甚至一些 UDA 方法。

Jul, 2023

基于伪源域的生成、增强和对齐方法：面向无源领域适应

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

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

面部反欺诈的生成域适应

本文提出了一种基于生成领域适应的人脸防欺骗方法，利用图像翻译的方式将目标数据转换到源域风格，再通过双重的一致性约束保证良好的分类性能和语义一致性。实验证明该方法在人脸防欺骗方面的效果明显高于现有的先进算法。

Jul, 2022

基于分类锚点的无监督领域自适应语义分割

该论文提出了一种新的类别锚点引导的无监督域自适应（UDA）模型，用于语义分割，并通过锚定和伪标签，显式强制执行类别感知的特征对齐来学习共享的判别特征和分类器，其一系列损失函数和训练机制均展现出卓越的性能。

Oct, 2019

稳健的无源域自适应用于眼底图像分割

提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

Oct, 2023

基于原型引导的不断适应性学习：应用于类增量无监督领域迁移

本文提出一种名为 ProCA 的原型引导的连续适应方法，解决了具有挑战性的 Class-Incremental Unsupervised Domain Adaptation (CI-UDA) 问题，该问题包括标注源域包含所有类，但是未标注目标域逐步增加类的情况。通过标签原型识别和基于原型的对齐和回放两种策略，ProCA 能够有效地将源模型适应到这个增量式目标领域中。

Jul, 2022

基于领域和类别转移的升级模型

本文提出了一种基于全局和本地聚类的学习技术（GLC），以实现知道领域和类别转换下已知数据样本的识别，并仅使用标准预训练源模型的知识从而拒绝那些 “未知” 的数据样本。我们检验了我们的方法在包括部分集、开放集和开放部分集 DA 等不同类别转化情境下的多个基准测试中相对于 UMAD 的优越性，值得注意的是，我们的方法在最具挑战性的开放部分集 DA 情境下比 UMAD 高出 14.8％。

Mar, 2023