multi-source-free unsupervised domain adaptation (MSFDA) aims to transfer
knowledge from multiple well-labeled source domains to an unlabeled target
domain, using source models instead of source data. Existing MSFDA methods
limited that each source domain provides only a single model,
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。