Energy-Based Pseudo-Label Refining for Source-free Domain Adaptation

要約

ソースデータへのアクセスなしでモデルを適応させることを伴うソースフリードメイン適応（SFDA）は、要求が厳しく、挑戦的です。
既存のSFDA技術は、通常、信頼レベルから生成された擬似ラベルに依存しており、有意な騒音による負の移動につながります。
この問題に取り組むために、SFDAにはエネルギーベースの擬似ラベル精製（EBPR）が提案されています。
擬似ラベルは、エネルギースコアに従ってすべてのサンプルクラスターに対して作成されます。
グローバルおよびクラスのエネルギーしきい値は、擬似ラベルを選択的にフィルタリングするために計算されます。
さらに、対照的な学習戦略が導入され、困難なサンプルをフィルタリングし、拡張バージョンに合わせて、より識別的な機能を学習します。
私たちの方法は、Office-31、Office-Home、およびVisda-Cデータセットで検証されており、モデルが最先端の方法よりも優れていることを常に発見しました。

要約(オリジナル)

Source-free domain adaptation (SFDA), which involves adapting models without access to source data, is both demanding and challenging. Existing SFDA techniques typically rely on pseudo-labels generated from confidence levels, leading to negative transfer due to significant noise. To tackle this problem, Energy-Based Pseudo-Label Refining (EBPR) is proposed for SFDA. Pseudo-labels are created for all sample clusters according to their energy scores. Global and class energy thresholds are computed to selectively filter pseudo-labels. Furthermore, a contrastive learning strategy is introduced to filter difficult samples, aligning them with their augmented versions to learn more discriminative features. Our method is validated on the Office-31, Office-Home, and VisDA-C datasets, consistently finding that our model outperformed state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google