GLC++：全球 - 本地聚类和对比亲和学习实现的无源通用领域适应
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文提出了一种基于全局和本地聚类的学习技术（GLC），用于识别已知数据样本并拒绝未知样本。研究表明，该方法在开放部分集领域自适应（DA）中表现优越，提升了性能。此外，广义源自由域自适应（G-SFDA）方法通过局部结构聚类和稀疏域注意力优化特征通道激活，取得了先进的实验结果。
🔎
延伸解读
开放部分集场景下的性能突破
文章指出，GLC方法在最具挑战性的开放部分集领域自适应场景下，性能比UMAD高出14.8%。这表明该方法在同时处理类别偏移和未知样本拒绝的任务中具有显著优势，为实际应用中遇到的多变环境提供了更鲁棒的解决方案。
源自由域自适应的技术路径
G-SFDA通过局部结构聚类和稀疏域注意力，在仅访问未标记目标数据的情况下，保持源信息并为不同领域激活不同特征通道。这种方法在VisDA上达到了85.4%的准确率，展示了在无法获取源数据时进行有效域自适应的可行性。
对比学习在无源适应中的角色
Divide and Contrast框架利用自适应对比学习，根据预测置信度将目标数据分为类似源域和特定于目标域的样本，并分别调整。这种分组策略在全局和局部层面提升了性能，为无源域自适应提供了一种新的思路。
❓
Q&A
GLC技术的主要功能是什么？
GLC技术用于识别已知数据样本并拒绝未知样本。
GLC方法在开放部分集领域自适应中的表现如何？
GLC方法在开放部分集领域自适应中比UMAD提高了14.8%的性能。
什么是广义源自由域自适应（G-SFDA）？
G-SFDA是一种新域自适应范例，基于局部结构聚类和稀疏域注意力来激活不同的特征通道。
G-SFDA在VisDA上的表现如何？
G-SFDA在VisDA上实现了85.4%的最先进性能。
Divide and Contrast（DaC）框架的作用是什么？
DaC框架通过自适应对比学习提高了无源域自适应的性能。
如何通过局部结构聚类优化特征通道激活？
局部结构聚类和稀疏域注意力结合使用，以保持源信息并激活不同领域的特征通道。
🏷️
