Shuffle PatchMix Augmentatie met Vertrouwensmarge-Gewogen Pseudolabels voor Verbeterde Bronvrije Domeinadaptatie

Shuffle PatchMix Augmentation with Confidence-Margin Weighted Pseudo-Labels for Enhanced Source-Free Domain Adaptation

May 30, 2025

Auteurs: Prasanna Reddy Pulakurthi, Majid Rabbani, Jamison Heard, Sohail Dianat, Celso M. de Melo, Raghuveer Rao

cs.AI

Samenvatting

Dit onderzoek richt zich op Source-Free Domain Adaptation (SFDA), waarbij een model zich aanpast aan een doeldomein zonder toegang tot brondata. Een nieuwe augmentatietechniek, Shuffle PatchMix (SPM), en een innovatieve herwegingstrategie worden geïntroduceerd om de prestaties te verbeteren. SPM schudt en mengt beeldpatches om diverse en uitdagende augmentaties te genereren, terwijl de herwegingstrategie betrouwbare pseudo-labels prioriteert om labelruis te verminderen. Deze technieken zijn vooral effectief op kleinere datasets zoals PACS, waar overfitting en pseudo-labelruis grotere risico's vormen. State-of-the-art resultaten worden behaald op drie belangrijke benchmarks: PACS, VisDA-C en DomainNet-126. Opmerkelijk is dat op PACS verbeteringen van 7,3% (van 79,4% naar 86,7%) en 7,2% worden waargenomen in respectievelijk enkelvoudige en meervoudige doelsituaties, terwijl winsten van 2,8% en 0,7% worden behaald op DomainNet-126 en VisDA-C. Deze combinatie van geavanceerde augmentatie en robuuste pseudo-labelherweging stelt een nieuwe standaard voor SFDA. De code is beschikbaar op: https://github.com/PrasannaPulakurthi/SPM.

English

This work investigates Source-Free Domain Adaptation (SFDA), where a model adapts to a target domain without access to source data. A new augmentation technique, Shuffle PatchMix (SPM), and a novel reweighting strategy are introduced to enhance performance. SPM shuffles and blends image patches to generate diverse and challenging augmentations, while the reweighting strategy prioritizes reliable pseudo-labels to mitigate label noise. These techniques are particularly effective on smaller datasets like PACS, where overfitting and pseudo-label noise pose greater risks. State-of-the-art results are achieved on three major benchmarks: PACS, VisDA-C, and DomainNet-126. Notably, on PACS, improvements of 7.3% (79.4% to 86.7%) and 7.2% are observed in single-target and multi-target settings, respectively, while gains of 2.8% and 0.7% are attained on DomainNet-126 and VisDA-C. This combination of advanced augmentation and robust pseudo-label reweighting establishes a new benchmark for SFDA. The code is available at: https://github.com/PrasannaPulakurthi/SPM