論文の概要: SfMamba: Efficient Source-Free Domain Adaptation via Selective Scan Modeling

• arxiv url: http://arxiv.org/abs/2601.08608v1
• Date: Tue, 13 Jan 2026 14:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-14 18:27:19.238348
• Title: SfMamba: Efficient Source-Free Domain Adaptation via Selective Scan Modeling
• Title（参考訳）: SfMamba: Selective Scan Modelingによる効率的なソースフリードメイン適応
• Authors: Xi Chen, Hongxun Yao, Sicheng Zhao, Jiankun Zhu, Jing Jiang, Kui Jiang,
• Abstract要約: ソースフリードメイン適応(SFDA)は、未ラベルのターゲットドメインにソースプレトレーニングされたモデルを適用するという課題に取り組む。 我々はSfMambaというフレームワークを提案し、ソースフリーモデル転送における安定した依存性について検討する。
• 参考スコア（独自算出の注目度）: 60.860172819390954
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Source-free domain adaptation (SFDA) tackles the critical challenge of adapting source-pretrained models to unlabeled target domains without access to source data, overcoming data privacy and storage limitations in real-world applications. However, existing SFDA approaches struggle with the trade-off between perception field and computational efficiency in domain-invariant feature learning. Recently, Mamba has offered a promising solution through its selective scan mechanism, which enables long-range dependency modeling with linear complexity. However, the Visual Mamba (i.e., VMamba) remains limited in capturing channel-wise frequency characteristics critical for domain alignment and maintaining spatial robustness under significant domain shifts. To address these, we propose a framework called SfMamba to fully explore the stable dependency in source-free model transfer. SfMamba introduces Channel-wise Visual State-Space block that enables channel-sequence scanning for domain-invariant feature extraction. In addition, SfMamba involves a Semantic-Consistent Shuffle strategy that disrupts background patch sequences in 2D selective scan while preserving prediction consistency to mitigate error accumulation. Comprehensive evaluations across multiple benchmarks show that SfMamba achieves consistently stronger performance than existing methods while maintaining favorable parameter efficiency, offering a practical solution for SFDA. Our code is available at https://github.com/chenxi52/SfMamba.
• Abstract（参考訳）: ソースフリードメイン適応(SFDA)は、ソースデータにアクセスせずに、未ラベルのターゲットドメインにソース事前のモデルを適用するという、現実のアプリケーションにおけるデータのプライバシとストレージ制限を克服する、重要な課題に取り組む。 しかし、既存のSFDAアプローチは、ドメイン不変の特徴学習における知覚場と計算効率のトレードオフに苦慮している。 最近、Mambaは、線形複雑性を伴う長距離依存性モデリングを可能にする選択的スキャンメカニズムを通じて、有望なソリューションを提供している。 しかし、Visual Mamba(つまりVMamba)は、領域のアライメントに不可欠なチャネルワイズ周波数特性を捉え、重要なドメインシフトの下で空間的堅牢性を維持するために制限されている。 そこで我々は,SfMambaというフレームワークを提案し,ソースフリーモデル転送における安定した依存性について検討する。 SfMambaはChannel-wise Visual State-Spaceブロックを導入し、ドメイン不変の機能抽出のためのチャネルシーケンススキャンを可能にする。 さらに、SfMambaにはセマンティック・一貫性のシャッフル戦略が含まれており、2次元選択的スキャンにおけるバックグラウンドパッチシーケンスを妨害し、エラーの蓄積を緩和する予測一貫性を保っている。 複数のベンチマークの総合的な評価は、SfMambaが既存の方法よりも一貫して強力な性能を保ちながら、良好なパラメータ効率を維持し、SFDAの実用的なソリューションを提供することを示している。 私たちのコードはhttps://github.com/chenxi52/SfMamba.comから入手可能です。

関連論文リスト

• Simulating Distribution Dynamics: Liquid Temporal Feature Evolution for Single-Domain Generalized Object Detection [58.25418970608328]
  Single-Domain Generalized Object Detection (Single-DGOD)は、あるソースドメインで訓練された検出器を複数の未知のドメインに転送することを目的としている。 シングルDGODの既存の方法は通常、データの多様性を拡大するために離散的なデータ拡張や静的摂動法に依存している。 そこで本研究では,ソース領域から潜伏分布のシミュレーションに至るまでの機能の進化をシミュレートする手法を提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:10:39Z)
• Diffusion-Driven Progressive Target Manipulation for Source-Free Domain Adaptation [108.0345347464393]
  ソースフリードメイン適応(SFDA)は、トレーニング済みのソースモデルとラベルなしのターゲットデータのみを使用して、ドメインシフトに取り組む、困難なタスクである。 非世代SFDA法は、大きなドメイン不一致を伴う挑戦的なシナリオにおいて、信頼性の低い擬似ラベルに悩まされる。 拡散駆動プログレッシブターゲットマニピュレーションという,新しい世代ベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-29T08:38:03Z)
• Feature-Space Planes Searcher: A Universal Domain Adaptation Framework for Interpretability and Computational Efficiency [7.889121135601528]
  現在の教師なし領域適応法は微調整特徴抽出器に依存している。 領域適応フレームワークとしてFPS(Feature-space Planes Searcher)を提案する。 FPSは最先端の手法と比較して,競争力や性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-08-26T05:39:21Z)
• Scaling Vision Mamba Across Resolutions via Fractal Traversal [9.566046692165884]
  Vision MambaはTransformerベースのアーキテクチャに代わる有望な選択肢として最近登場した。 Hilbert曲線によるフラクタルベースのパッチシリアライゼーションを活用するビジョンバックボーンであるFractalMamba++を提案する。 FractalMamba++は、従来のMambaベースのバックボーンよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-05-20T08:08:28Z)
• Let Synthetic Data Shine: Domain Reassembly and Soft-Fusion for Single Domain Generalization [68.41367635546183]
  単一ドメインの一般化は、単一のソースからのデータを使用して、さまざまなシナリオで一貫したパフォーマンスでモデルをトレーニングすることを目的としている。 モデル一般化を改善するために合成データを活用した学習フレームワークDRSFを提案する。
  論文  参考訳（メタデータ） (2025-03-17T18:08:03Z)
• DA-Mamba: Domain Adaptive Hybrid Mamba-Transformer Based One-Stage Object Detection [0.3683202928838613]
  ドメイン適応型マンバ型一段階物体検出モデルDA-マンバについて述べる。 Mambaアーキテクチャのグローバルなモデリングと線形複雑性にインスパイアされ、最初のドメイン適応型Mambaベースのワンステージオブジェクト検出モデルであるDA-Mambaを提示する。
  論文  参考訳（メタデータ） (2025-02-16T15:58:54Z)
• Memory-Efficient Pseudo-Labeling for Online Source-Free Universal Domain Adaptation using a Gaussian Mixture Model [3.1265626879839923]
  実際には、トレーニングデータとテストデータの間にドメインシフトが発生する可能性があり、トレーニング済みのソースモデルをターゲットドメインに調整するためには、ドメイン適応(DA)が必要である。 UniDAは、ソースとターゲットドメインの間の追加のカテゴリ(ラベル)シフトの可能性に対処するために注目を集めている。 ガウス混合モデル(GMM)を用いて特徴空間における既知のクラス分布を連続的にキャプチャする新しい手法を提案する。 このアプローチは、DomainNetおよびOffice-Homeデータセットに関するすべての実験において、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-07-19T11:13:31Z)
• Unsupervised Domain Adaptation via Style-Aware Self-intermediate Domain [52.783709712318405]
  非教師なしドメイン適応(UDA)は、ラベル豊富なソースドメインから関連するがラベルのないターゲットドメインに知識を伝達する、かなりの注目を集めている。 本研究では,大規模なドメインギャップと伝達知識を橋渡しし,クラス非ネイティブ情報の損失を軽減するために,SAFF(style-aware feature fusion)法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T10:06:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。