对比与聚类：基于邻域对表示学习的无源域自适应方法

《Signal Processing: Image Communication》：Contrast and clustering: Learning neighborhood pair representation for source-free domain adaptation

本文提出了一种新颖的无源域自适应（SFDA）方法CaC，通过对比学习构建邻域样本对来学习域不变特征。该方法创新性地利用近邻和扩展近邻优化负样本池，结合噪声对比估计理论，在VisDA等三个基准数据集上显著优于现有技术，为数据隐私保护下的域自适应提供了实用解决方案。

　　

亮点

我们的方法通过精心设计正负样本对，利用扩展近邻优化负样本池，并采用噪声对比估计理论来近似目标函数，显著提升了特征学习的效率和判别能力。

领域自适应

领域自适应（DA）致力于弥合两个领域之间的分布差距，以最大化目标域上的性能。主要有四种典型设置：闭集、开集、部分集和通用域自适应。其中，闭集DA是最常见的设置，其源域和目标域的类别数量相同。传统的闭集DA方法假设类别在源域和目标域之间完全共享。

问题定义

给定在已标记的源域 D_s = {(x_s, y_s)} = {(x_i, y_i)}_i=1^m 上训练的模型 M_s 和未标记的目标域 D_t = {(x_t, y_t)} = {(x_i)}_i=1ⁿ，我们假设特征空间 X_s = X_t 且标签空间 Y_s = Y_t。然而，边际概率 P_s(x_s) ≠ P_t(x_t) 与条件概率 Q(y_s | x_s) ≠ Q(y_t | x_s) 之间存在差异。在本文中，目标域和源域具有相同的 C 个类别，这被称为闭集问题。为解决此问题，我们的方法将...

数据集

我们在三个基准数据集上进行了实验：VisDA 是一个更具挑战性的数据集，包含12类合成到真实的物体识别任务。其源域包含152k张合成图像，而目标域包含55k张真实物体图像。Office-Home 包含4个领域（艺术、剪贴画、真实世界、产品），共65个类别，总计15,500张图像。Office-31 包含3个领域（亚马逊、网络摄像头、数码单反），共31个类别，4652张图像。

评估

表格中的SF列表示...

结论

在本文中，我们提出了一种无需访问源数据的创新性无监督域自适应技术。我们的方法旨在通过强调与最近邻输出的一致性来获取域不变特征。我们建立了一个索引化记忆库来存储最近邻样本，从而实现高效检索扩展近邻。这些扩展近邻随后被用于识别更有价值的负样本对，而不会增加计算负担。