Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework

要約

オープンセット ドメイン アダプテーション (OSDA) は、ラベル付きソース ドメインから、新しいクラス (ターゲット プライベート未知クラスとも呼ばれる) が存在するラベルなしターゲット ドメインにモデルを適応させることを目的としています。
ソースフリーのオープンセット ドメイン アダプテーション (SF-OSDA) 手法は、ラベル付きソース データにアクセスせずに OSDA に対処するため、プライバシーの制約下で特に関連性があります。
ただし、SF-OSDA は、ディストリビューションの変更と新しいクラスの導入により、重大な課題を抱えています。
既存の SF-OSDA 手法は通常、サンプルの予測エントロピーの閾値処理に依存してサンプルを既知クラスか未知クラスかを識別しますが、ターゲットプライベート未知クラスの識別特徴を明示的に学習することができません。
我々は、ターゲットプライベート未知クラスの特徴を明示的に学習することでこれらの制限に対処するように設計された新しい SF-OSDA フレームワークである Recall and Refine (RRDA) を提案します。
RRDA は 2 段階のプロセスを採用します。
まず、ターゲット ドメインの特徴から生成された合成サンプルに基づいて、追加の決定境界を使用してターゲット分類子をトレーニングすることで、未知のクラスを認識するモデルの能力を強化します。
これにより、分類器は既知のクラスと未知のクラスを効果的に分離できるようになります。
2 番目のステップでは、モデル全体をターゲット ドメインに適応させ、両方のドメイン シフトに対処し、未知のクラスへの一般化を改善します。
この段階では、既製のソースフリーのドメイン適応方法 (SHOT、AaD など) をフレームワークにシームレスに統合できます。
3 つのベンチマーク データセットに対する広範な実験により、RRDA が既存の SF-OSDA および OSDA 手法よりも大幅に優れていることが実証されました。

要約(オリジナル)

Open-set Domain Adaptation (OSDA) aims to adapt a model from a labeled source domain to an unlabeled target domain, where novel classes – also referred to as target-private unknown classes – are present. Source-free Open-set Domain Adaptation (SF-OSDA) methods address OSDA without accessing labeled source data, making them particularly relevant under privacy constraints. However, SF-OSDA presents significant challenges due to distribution shifts and the introduction of novel classes. Existing SF-OSDA methods typically rely on thresholding the prediction entropy of a sample to identify it as either a known or unknown class but fail to explicitly learn discriminative features for the target-private unknown classes. We propose Recall and Refine (RRDA), a novel SF-OSDA framework designed to address these limitations by explicitly learning features for target-private unknown classes. RRDA employs a two-step process. First, we enhance the model’s capacity to recognize unknown classes by training a target classifier with an additional decision boundary, guided by synthetic samples generated from target domain features. This enables the classifier to effectively separate known and unknown classes. In the second step, we adapt the entire model to the target domain, addressing both domain shifts and improving generalization to unknown classes. Any off-the-shelf source-free domain adaptation method (e.g., SHOT, AaD) can be seamlessly integrated into our framework at this stage. Extensive experiments on three benchmark datasets demonstrate that RRDA significantly outperforms existing SF-OSDA and OSDA methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google