无源领域自适应的一致性正则化

Aug, 2023

Consistency Regularization for Generalizable Source-free Domain Adaptation

Longxiang Tang, Kai Li, Chunming He, Yulun Zhang, Xiu Li

TL;DR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。

Abstract

source-free domain adaptation (SFDA) aims to adapt a well-trained source model to an unlabelled target domain without accessing the source dataset, making it applicable in a variety of real-world scenarios. Existing SFDA methods ONLY assess their adapted models on the target training s

发现论文，激发创造

基于图像翻译的无源域适配

本文研究了源自由的领域自适应问题，提出了使用图像转换方法将目标图像的风格转换为未见过的源图像的方法，从而使得使用预训练模型对转换后的图像进行分类可以得到更高的准确率。

Aug, 2020

ECACL: 半监督领域自适应的整体框架

提出了一种名为增强分类对齐和一致性学习（ECACL）的半监督域自适应（SSDA）框架，其中包括多种相互补充的域对齐技术，并通过类级别对齐、数据增强和模型鲁棒性实现全面域对齐，以提高具有带标签样本的目标域数据的性能。

Apr, 2021

基于Transformer的无源域自适应

本研究提出了一种基于Transformer的通用转换框架TransDA，通过将Transformer作为注意力机制注入卷积网络中并针对目标伪标签进行自监督知识蒸馏方法，将模型的注意力集中于目标域的对象区域，提高了模型的泛化能力，并在三个领域自适应任务中获得了最先进的结果。

May, 2021

基于进阶图学习的无源开放域自适应

本文提出了一种逐步的伪标记方法来实现源自由的开放域适应，并引入了平衡伪标记（BP-L）策略来加强模型的分类扩展性和预测校准性能，在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。

Feb, 2022

BMD：一种通用的平衡多中心动态原型策略，用于无源领域自适应

这篇论文提出了一种基于全局平衡采样和多中心聚类的动态原型策略，用于在没有源数据的情况下自适应目标数据，并引入了一种动态标记策略以加入网络更新信息，在多项实验证明该策略显著提高了表示SFDA方法以产生了新的最先进结果。

Apr, 2022

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

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

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

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

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