Uncertainty-guided Open-Set Source-Free Unsupervised Domain Adaptation with Target-private Class Segregation

要約

標準の教師なしドメイン適応 (UDA) は、ラベル付きソース ドメインからラベルなしターゲットに知識を転送することを目的としていますが、通常はソース データとターゲット データの両方に同時にアクセスする必要があります。
さらに、UDA アプローチは一般に、ソース ドメインとターゲット ドメインが同じラベル空間を共有していることを前提としています。
しかし、これら 2 つの仮定は、現実のシナリオではほとんど満たされません。
このホワイト ペーパーでは、両方の前提が無視される、より困難なソースフリー オープンセット ドメイン アダプテーション (SF-OSDA) 設定について検討します。
我々は、ターゲットプライベートカテゴリーのサンプルを複数の未知のクラスに分離することで、ターゲットプライベートカテゴリーの粒度を利用する、SF-OSDA の新しいアプローチを提案します。
最初のクラスタリングベースの割り当てから開始して、私たちの方法は、不確実性ベースのサンプル選択モジュールのガイドを使用して擬似ラベルを洗練することにより、ターゲットとプライベートのサンプルの分離を段階的に改善します。
さらに、NL-InfoNCELoss と呼ばれる新しい対比損失を提案します。これは、ネガティブ学習を自己教師あり対比学習に統合し、ノイズの多い擬似ラベルに対するモデルの堅牢性を強化します。
ベンチマーク データセットに対する広範な実験により、提案された方法が既存のアプローチよりも優れていることが実証され、新しい最先端のパフォーマンスが確立されました。
特に、追加の分析により、私たちのメソッドが新しいクラスの基礎となるセマンティクスを学習できることが示され、新しいクラスの発見を実行する可能性が開かれます。

要約(オリジナル)

Standard Unsupervised Domain Adaptation (UDA) aims to transfer knowledge from a labeled source domain to an unlabeled target but usually requires simultaneous access to both source and target data. Moreover, UDA approaches commonly assume that source and target domains share the same labels space. Yet, these two assumptions are hardly satisfied in real-world scenarios. This paper considers the more challenging Source-Free Open-set Domain Adaptation (SF-OSDA) setting, where both assumptions are dropped. We propose a novel approach for SF-OSDA that exploits the granularity of target-private categories by segregating their samples into multiple unknown classes. Starting from an initial clustering-based assignment, our method progressively improves the segregation of target-private samples by refining their pseudo-labels with the guide of an uncertainty-based sample selection module. Additionally, we propose a novel contrastive loss, named NL-InfoNCELoss, that, integrating negative learning into self-supervised contrastive learning, enhances the model robustness to noisy pseudo-labels. Extensive experiments on benchmark datasets demonstrate the superiority of the proposed method over existing approaches, establishing new state-of-the-art performance. Notably, additional analyses show that our method is able to learn the underlying semantics of novel classes, opening the possibility to perform novel class discovery.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google