De-Confusing Pseudo-Labels in Source-Free Domain Adaptation

要約

ソースフリー ドメイン適応は、ソース データにアクセスせずに、ソースでトレーニングされたモデルをラベルのないターゲット ドメインに適応させることを目的としています。
近年、これはますます注目を集めており、既存のアプローチは通常、疑似ラベル付け技術を含む自己トレーニングに焦点を当てています。
この論文では、ドメイン適応設定におけるノイズ分布に対処し、擬似ラベルの混乱を解く方法を学習するために調整された新しいノイズ学習アプローチを紹介します。
より具体的には、擬似ラベルのノイズ遷移行列を学習して、各クラスのラベル破損を捕捉し、基礎となる真のラベル分布を学習します。
ノイズ遷移行列を推定すると、より正確な真のクラス事後推定が可能になり、予測精度が向上します。
いくつかのソースフリーのドメイン適応手法 (SHOT、SHOT++、AaD) と組み合わせた場合のアプローチの有効性を実証します。
VisDA、DomainNet、OfficeHome の 3 つのドメイン適応データセットで最先端の結果が得られます。

要約(オリジナル)

Source-free domain adaptation aims to adapt a source-trained model to an unlabeled target domain without access to the source data. It has attracted growing attention in recent years, where existing approaches focus on self-training that usually includes pseudo-labeling techniques. In this paper, we introduce a novel noise-learning approach tailored to address noise distribution in domain adaptation settings and learn to de-confuse the pseudo-labels. More specifically, we learn a noise transition matrix of the pseudo-labels to capture the label corruption of each class and learn the underlying true label distribution. Estimating the noise transition matrix enables a better true class-posterior estimation, resulting in better prediction accuracy. We demonstrate the effectiveness of our approach when combined with several source-free domain adaptation methods: SHOT, SHOT++, and AaD. We obtain state-of-the-art results on three domain adaptation datasets: VisDA, DomainNet, and OfficeHome.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google