Generalized Source-free Domain Adaptation
Yang, Shiqi (Centre de Visió per Computador)
Wang, Yaxing (Centre de Visió per Computador)
Weijer, Joost van de (Centre de Visió per Computador)
Herranz, Luis (Universitat Autònoma de Barcelona)
Jui, Shangling (Huawei Kirin Solution)

Publicació:	IEEE, 2021
Descripció:	10 pàg.
Resum:	Domain adaptation (DA) aims to transfer the knowledge learned from a source domain to an unlabeled target domain. Some recent works tackle source-free domain adaptation (SFDA) where only a source pre-trained model is available for adaptation to the target domain. However, those methods do not consider keeping source performance which is of high practical value in real world applications. In this paper, we propose a new domain adaptation paradigm called Generalized Source-free Domain Adaptation (G-SFDA), where the learned model needs to perform well on both the target and source domains, with only access to current unlabeled target data during adaptation. First, we propose local structure clustering (LSC), aiming to cluster the target features with its semantically similar neighbors, which successfully adapts the model to the target domain in the absence of source data. Second, we propose sparse domain attention (SDA), it produces a binary domain specific attention to activate different feature channels for different domains, meanwhile the domain attention will be utilized to regularize the gradient during adaptation to keep source information. In the experiments, for target performance our method is on par with or better than existing DA and SFDA methods, specifically it achieves state-of-the-art performance (85. 4%) on VisDA, and our method works well for all domains after adapting to single or multiple target domains.
Ajuts:	Agencia Estatal de Investigación PID2019-104174GB-I00
Nota:	Altres ajuts: CERCA Programme/Generalitat de Catalunya
Drets:	Aquest material està protegit per drets d'autor i/o drets afins. Podeu utilitzar aquest material en funció del que permet la legislació de drets d'autor i drets afins d'aplicació al vostre cas. Per a d'altres usos heu d'obtenir permís del(s) titular(s) de drets.
Llengua:	Anglès
Document:	Capítol de llibre ; recerca ; Versió acceptada per publicar
Matèria:	Transfer/Low-shot/Semi/Unsupervised Learning ; Recognition and classification
Publicat a:	2021 IEEE/CVF International Conference on Computer Vision (ICCV), 2021, p. 8958-8967, ISBN 978-1-6654-2812-5

DOI: 10.1109/ICCV48922.2021.00885

Postprint 11 p, 922.4 KB

El registre apareix a les col·leccions:
Llibres i col·leccions > Capítols de llibres