OneRing: A Simple Method for Source-free Open-partial Domain Adaptation

要約

この論文では、ソースとターゲットのドメイン間にドメインとカテゴリの両方のシフトが存在する状況に対処する、ソースフリーのオープン部分ドメイン適応 (SF-OPDA) を調査します。
データ プライバシーの問題に対処することを目的とした SF-OPDA 設定では、モデルはターゲットの適応中にソース データにアクセスできなくなります。
n ソース クラスと未知のクラスを予測する (n + 1) ウェイの分類器を学習する新しいトレーニング スキームを提案します。この場合、既知のソース カテゴリのサンプルのみがトレーニングに使用できます。
さらに、ターゲットの適応のために、重み付けされたエントロピー最小化を採用して、ソースの事前トレーニング済みモデルをソース データのないラベル付けされていないターゲット ドメインに適応させます。
実験では、単純な方法が、適応中にソースデータを必要とする現在の OPDA アプローチを凌駕することを示しています。
ターゲット適応中にクローズド セット ドメイン適応アプローチで補強すると、ソースフリーの方法は、Office-31、Office-Home、および
それぞれVisDA。

要約(オリジナル)

In this paper, we investigate Source-free Open-partial Domain Adaptation (SF-OPDA), which addresses the situation where there exist both domain and category shifts between source and target domains. Under the SF-OPDA setting, which aims to address data privacy concerns, the model cannot access source data anymore during target adaptation. We propose a novel training scheme to learn a (n+1)-way classifier to predict the n source classes and the unknown class, where samples of only known source categories are available for training. Furthermore, for target adaptation, we simply adopt a weighted entropy minimization to adapt the source pretrained model to the unlabeled target domain without source data. In experiments, we show our simple method surpasses current OPDA approaches which demand source data during adaptation. When augmented with a closed-set domain adaptation approach during target adaptation, our source-free method further outperforms the current state-of-the-art OPDA method by 2.5%, 7.2% and 13% on Office-31, Office-Home and VisDA respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google