领域与类别偏移下的模型再利用

深度神经网络（DNNs）在面对领域偏移（domain shift）和类别偏移（category shift）时，往往表现不佳。如何对现有DNN模型进行再利用并适应目标任务，仍是当前一个重要的开放性问题。无监督域适应（Unsupervised Domain Adaptation, UDA）技术，尤其是近年来提出的无源域域适应（Source-free Domain Adaptation, SFDA），已成为应对该问题的有前景方案。然而，现有SFDA方法通常要求源域与目标域共享相同的标签空间，因此仅适用于传统的闭集设定（closed-set setting）。本文在此基础上更进一步，提出无源通用域适应（Source-free Universal Domain Adaptation, SF-UniDA）的新范式。其核心目标是在同时存在领域偏移和类别偏移的情况下，识别出属于“已知”类别的数据样本，同时拒绝那些“未知”类别的样本（即未在源域类别中出现的样本），且仅依赖于标准预训练源模型所提供的知识。为实现这一目标，本文提出一种创新的全局与局部聚类学习机制（Global and Local Clustering, GLC）。具体而言，我们设计了一种新颖的、自适应的一对多全局聚类算法，以有效区分目标域中的不同类别；同时引入局部k-近邻（k-NN）聚类策略，以缓解负迁移问题。我们在多个具有不同类别偏移场景的基准数据集上验证了GLC方法的优越性，涵盖部分集（partial-set）、开集（open-set）以及开-部分集（open-partial-set）域适应等多种情形。尤为突出的是，在最具挑战性的开-部分集域适应场景中，GLC在VisDA基准上的性能较UMAD方法提升了14.8%。相关代码已开源，地址为：https://github.com/ispc-lab/GLC。