摘要

我们研究了一类实际的领域自适应任务——无源领域自适应（Source-Free Domain Adaptation, SFUDA），该任务旨在在无法访问源域数据的情况下，将预训练于源域的模型适配至目标域。现有方法主要依赖自监督伪标签技术实现类别级别的全局对齐[1]，或通过局部结构提取来增强邻域间特征的一致性[2]。尽管取得了显著进展，但两类方法各自存在局限：前者对噪声标签敏感，后者易受源域偏置影响。本文提出一种全新的SFUDA范式——“分而对比”（Divide and Contrast, DaC），旨在融合两类方法的优势，同时规避其缺陷。基于源模型的预测置信度，DaC将目标域数据划分为“类源”样本与“目标特有”样本两类，并在自适应对比学习框架下，为两类样本设定差异化的学习目标。具体而言，“类源”样本因其标签相对干净，被用于学习全局类别聚类；而更具噪声的“目标特有”样本则在实例级别上用于挖掘数据内在的局部结构。此外，我们引入基于记忆库的最大均值差异（Maximum Mean Discrepancy, MMD）损失，对“类源”域与“目标特有”样本进行对齐，以缓解域间分布差异。在VisDA、Office-Home以及更具挑战性的DomainNet数据集上的大量实验表明，DaC在性能上显著优于当前最先进的方法。代码已开源，地址为：https://github.com/ZyeZhang/DaC.git。