Uncertainty-guided source-free domain adaptation

Subhankar Roy*, Martin Trapp, Andrea Pilzer, Juho Kannala, Nicu Sebe, Elisa Ricci, Arno Solin

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

2 Sitaatiot (Scopus)
33 Lataukset (Pure)

Abstrakti

Source-free domain adaptation (SFDA) aims to adapt a classifier to an unlabelled target data set by only using a pre-trained source model. However, the absence of the source data and the domain shift makes the predictions on the target data unreliable. We propose quantifying the uncertainty in the source model predictions and utilizing it to guide the target adaptation. For this, we construct a probabilistic source model by incorporating priors on the network parameters inducing a distribution over the model predictions. Uncertainties are estimated by employing a Laplace approximation and incorporated to identify target data points that do not lie in the source manifold and to down-weight them when maximizing the mutual information on the target data. Unlike recent works, our probabilistic treatment is computationally lightweight, decouples source training and target adaptation, and requires no specialized source training or changes of the model architecture. We show the advantages of uncertainty-guided SFDA over traditional SFDA in the closed-set and open-set settings and provide empirical evidence that our approach is more robust to strong domain shifts even without tuning.
AlkuperäiskieliEnglanti
OtsikkoComputer Vision – ECCV 2022
Alaotsikko17th European Conference, Tel Aviv, Israel, October 23–27, 2022, Proceedings, Part XXV
ToimittajatShai Avidan, Gabriel Brostow, Moustapha Cissé, Giovanni Maria Farinella, Tal Hassner
KustantajaSpringer
Sivut537-555
ISBN (elektroninen)978-3-031-19806-9
ISBN (painettu)978-3-031-19805-2
DOI - pysyväislinkit
TilaJulkaistu - 2022
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaEuropean Conference on Computer Vision - Tel Aviv, Israel
Kesto: 23 lokak. 202227 lokak. 2022
Konferenssinumero: 17
https://eccv2022.ecva.net

Julkaisusarja

NimiLecture Notes in Computer Science
KustantajaSpringer
Vuosikerta13685
ISSN (painettu)0302-9743
ISSN (elektroninen)1611-3349

Conference

ConferenceEuropean Conference on Computer Vision
LyhennettäECCV
Maa/AlueIsrael
KaupunkiTel Aviv
Ajanjakso23/10/202227/10/2022
www-osoite

Sormenjälki

Sukella tutkimusaiheisiin 'Uncertainty-guided source-free domain adaptation'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä