English(EN) Domain-Division based Progressive Learning for Source-Free Domain Adaptation

新的DPL方法推进了无源域自适应技术

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-03 04:00

研究人员开发了一种名为DPL的新型无源域自适应方法，旨在提高模型在目标数据上的性能，而无需访问原始源数据。该方法根据适应难度将目标域划分为“容易”和“困难”的子域。然后，该方法采用不确定性感知自训练和定制学习策略的交替阶段，包括一致性学习和利用局部结构信息，以逐步提高分类准确性并利用目标数据的内在特性。在多个基准测试上的实验表明，DPL的性能优于现有的最先进方法。 AI

影响这项研究可能导致在源数据不可用的情况下，更有效和注重隐私的AI模型适应。

排序理由该集群包含一篇详细介绍域适应新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CV 阅读 →

arXiv

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.CV TIER_1 English(EN) · Pan Liu, Jing Li, Meng Zhao, Wanli Xue, Qinghua Hu, Shengyong Chen · 2026-08-03 04:00

基于域划分的无源域自适应渐进式学习

arXiv:2607.29202v1 Announce Type: new Abstract: With growing privacy and portability concerns, source-free domain adaptation requires only a source pre-trained model and an unlabeled target domain, allowing for effective adaptation to the target data. Most existing self-training …

报道来源 [1]

基于域划分的无源域自适应渐进式学习

相关实体

相关话题