⏶1
结合置信度边界加权伪标签的Shuffle PatchMix增强，用于增强无源域适应
发表
由 
PRASANNA REDDY PULAKURTHI 提交
PRASANNA REDDY PULAKURTHI 提交作者: Prasanna Reddy Pulakurthi, Majid Rabbani, Jamison Heard, Sohail Dianat, Celso M. de Melo, Raghuveer Rao
Prasanna Reddy Pulakurthi, Majid Rabbani, Jamison Heard, Sohail Dianat, Celso M. de Melo, Raghuveer Rao摘要
本工作研究了无源域适应（SFDA），即模型在无法访问源数据的情况下适应目标域。为提升性能，引入了一种新的增强技术——Shuffle PatchMix (SPM) 和一种新颖的重加权策略。SPM通过打乱和混合图像块来生成多样化且具有挑战性的增强，而重加权策略则优先考虑可靠的伪标签以减轻标签噪音。这些技术在PACS等较小数据集上尤其有效，因为在这些数据集上过拟合和伪标签噪音的风险更大。在PACS、VisDA-C和DomainNet-126这三个主要基准上取得了最先进的结果。值得注意的是，在PACS上，单目标和多目标设置中分别观察到7.3%（从79.4%到86.7%）和7.2%的改进，而在DomainNet-126和VisDA-C上分别获得了2.8%和0.7%的提升。这种先进增强和鲁棒伪标签重加权相结合的方法为SFDA设立了新的基准。代码可在以下地址获取：https://github.com/PrasannaPulakurthi/SPM
🤔 您的目标域中没有图像标签？没问题！我们的论文《基于置信度边界加权伪标签的Shuffle PatchMix增强源自由域适应方法》直接解决了这一挑战性问题。
本文已被ICIP 2025接收。
主要创新点：
Shuffle PatchMix (SPM)：一种新的数据增强方法，它能创建多样化且具挑战性的图像变体，以增强数据多样性并提高模型的鲁棒性和泛化能力。
置信度边界重加权：一种新颖的伪标签重加权策略，通过选择性地强调可靠的伪标签来减轻标签噪声，从而实现更快、更稳定的适应。
亮点：
在三个基准数据集（PACS、VisDA-C和DomainNet-126）上创造了新的最先进性能。
在小规模数据集上尤其有效，性能比之前最佳提升了7.3个百分点。