BriefGPT - AI 论文速递
·
无源融合目标领域适应的证据图对比对齐
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该研究提出了Source-free Multi-target Domain Adaptation任务，使用CoNMix框架解决。该框架利用目标伪标签改善目标适应性，并使用伪标签细化方法减少噪声伪标签。MKD用于改进多个目标域的泛化能力，并展示了VT骨干的优势。该框架在多个流行域适应数据集上取得了最先进的成果。
🎯
关键要点
- 提出了Source-free Multi-target Domain Adaptation的新任务。
- 采用CoNMix框架解决该任务，框架由Consistency with Nuclear-Norm Maximization和MixUp knowledge distillation组成。
- 框架利用目标伪标签改善目标适应性，并使用伪标签细化方法减少噪声伪标签。
- 提出MixUp Knowledge Distillation（MKD）以改进多个目标域的泛化能力。
- 展示了Vision Transformer（VT）骨干在特征表示和分类可辨别性方面的优势。
- 该框架在多种源自由STDA和MTDA设置的流行域适应数据集上取得了最先进的成果。
➡️
