SF (DA)$^2$: 无源领域适应的数据增强视角
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。
Apr, 2022
本文提出了一种广义源自由域自适应(G-SFDA)的新域自适应范例,其中仅在自适应期间访问当前未标记的目标数据,该方法基于局部结构聚类(LSC)和稀疏域注意力(SDA)以保持源信息的同时为不同领域激活不同的特征通道。实验表明,本文所提出的方法的目标表现与现有域自适应(DA)和源自由域自适应(SFDA)方法相当或更好,并在 VisDA 上实现了最先进的性能(85.4%)。
Aug, 2021
提出了一种用于 Source-Free Domain Adaptation 的新框架,使用在目标领域样本上训练的文本到图像扩散模型生成源数据,并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐,从而显著提高目标领域模型的性能。
Oct, 2023
提出了一种新的基于超图学习的无源无监督领域自适应方法,通过探索多个样本之间的高阶邻域关系和考虑域偏移效应,实现了对目标样本的分类,并在多个数据集上进行了广泛实验验证。
May, 2024
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
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
提出一种用于领域自适应的无源自适应方法,通过将 SFDA 视为无监督聚类问题并按照特征空间的本地邻居应具有更相似的预测这一直觉来优化预测一致性的目标,进而实现特征聚类及簇分配的高效训练,同时将已有的领域自适应方法、无源域自适应和对比学习之间关系联系起来.
May, 2022
本文提出一种基于目标域数据固有结构的源无关领域适应方法,通过定义目标数据的局部亲和力并鼓励具有高局部亲和力的数据标签一致性来解决领域偏移问题,并在几个 2D 图像和 3D 点云识别数据集上取得了最先进的性能。
Oct, 2021
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