論文の概要: Closing the Confusion Loop: CLIP-Guided Alignment for Source-Free Domain Adaptation

• arxiv url: http://arxiv.org/abs/2602.08730v1
• Date: Mon, 09 Feb 2026 14:37:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:25.298261
• Title: Closing the Confusion Loop: CLIP-Guided Alignment for Source-Free Domain Adaptation
• Title（参考訳）: コンフュージョンループの閉鎖:ソースフリードメイン適応のためのCLIP誘導アライメント
• Authors: Shanshan Wang, Ziying Feng, Xiaozheng Shen, Xun Yang, Pichao Wang, Zhenwei He, Xingyi Zhang,
• Abstract要約: Source-Free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、ソースデータにアクセスせずにラベルなしのターゲットドメインに適応する問題に取り組む。 CLIP-Guided Alignment (CGA) は、SFDAにおけるクラス混乱をモデル化し緩和する新しいフレームワークである。 本結果は,効率的なソースフリー適応のためのクラス間混乱を明示的にモデル化することの重要性を強調した。
• 参考スコア（独自算出の注目度）: 32.382779224193676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Source-Free Domain Adaptation (SFDA) tackles the problem of adapting a pre-trained source model to an unlabeled target domain without accessing any source data, which is quite suitable for the field of data security. Although recent advances have shown that pseudo-labeling strategies can be effective, they often fail in fine-grained scenarios due to subtle inter-class similarities. A critical but underexplored issue is the presence of asymmetric and dynamic class confusion, where visually similar classes are unequally and inconsistently misclassified by the source model. Existing methods typically ignore such confusion patterns, leading to noisy pseudo-labels and poor target discrimination. To address this, we propose CLIP-Guided Alignment(CGA), a novel framework that explicitly models and mitigates class confusion in SFDA. Generally, our method consists of three parts: (1) MCA: detects first directional confusion pairs by analyzing the predictions of the source model in the target domain; (2) MCC: leverages CLIP to construct confusion-aware textual prompts (e.g. a truck that looks like a bus), enabling more context-sensitive pseudo-labeling; and (3) FAM: builds confusion-guided feature banks for both CLIP and the source model and aligns them using contrastive learning to reduce ambiguity in the representation space. Extensive experiments on various datasets demonstrate that CGA consistently outperforms state-of-the-art SFDA methods, with especially notable gains in confusion-prone and fine-grained scenarios. Our results highlight the importance of explicitly modeling inter-class confusion for effective source-free adaptation. Our code can be find at https://github.com/soloiro/CGA
• Abstract（参考訳）: Source-Free Domain Adaptation (SFDA)は、トレーニング済みのソースモデルを、データセキュリティの分野に非常に適したソースデータにアクセスすることなく、ラベルなしのターゲットドメインに適応する問題に取り組む。 最近の進歩は、擬似ラベル戦略が効果的であることを示しているが、クラス間の微妙な類似性のために、しばしば細かいシナリオで失敗する。 批判的だが未発見の問題は、非対称なクラスと動的クラスの混同の存在であり、視覚的に類似したクラスは、ソースモデルによって不等式と矛盾して分類される。 既存の手法はそのような混乱パターンを無視し、ノイズの多い擬似ラベルとターゲット識別の低さにつながる。 そこで我々は,SFDAにおけるクラス混乱をモデル化し緩和する新しいフレームワークであるCLIP-Guided Alignment(CGA)を提案する。 MCA: 対象領域のソースモデルの予測を解析して第1方向の混乱ペアを検出する; (2) MCC: 混乱に敏感なテキストプロンプト(例えばバスのようなトラック)を構築するためにCLIPを利用する; (3) FAM: 混乱誘導機能バンクをCLIPとソースモデルの両方に構築し、コントラスト学習を用いて表現空間の曖昧さを低減させる。 様々なデータセットに対する大規模な実験により、CGAは最先端のSFDA法を一貫して上回っており、特に混乱を招きやすい、きめ細かいシナリオでは顕著に向上している。 本結果は,効率的なソースフリー適応のためのクラス間混乱を明示的にモデル化することの重要性を強調した。 私たちのコードはhttps://github.com/soloiro/CGAで見つけることができます。

関連論文リスト

• Recall and Refine: A Simple but Effective Source-free Open-set Domain Adaptation Framework [9.03028904066824]
  Open-set Domain Adaptation (OSDA)は、ラベル付きソースドメインからラベルなしターゲットドメインへのモデルを適応することを目的としている。 本稿では,これらの制約に対処する新しいSF-OSDAフレームワークであるRecall and Refine(RRDA)を提案する。
  論文  参考訳（メタデータ） (2024-11-19T15:18:50Z)
• Revisiting Domain-Adaptive 3D Object Detection by Reliable, Diverse and Class-balanced Pseudo-Labeling [38.07637524378327]
  ドメイン適応型3Dオブジェクト検出において,疑似ラベリング技術を用いた教師なしドメイン適応(DA)が重要なアプローチとして浮上している。 既存のDAメソッドは、マルチクラスのトレーニング環境に適用した場合、パフォーマンスが大幅に低下する。 本稿では,すべてのクラスを一度に検出する学習に適した新しいReDBフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-16T04:34:11Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• Cycle Label-Consistent Networks for Unsupervised Domain Adaptation [57.29464116557734]
  ドメイン適応は、ラベル付きソースドメインを活用して、異なる分布を持つラベル付きターゲットドメインの分類子を学ぶことを目的としています。 本稿では,分類ラベルのサイクル整合性を利用して,シンプルで効率的な領域適応手法,すなわちCycle Label-Consistent Network (CLCN)を提案する。 MNIST-USPS-SVHN, Office-31, Office-Home, Image CLEF-DAベンチマークに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2022-05-27T13:09:08Z)
• Source-Free Progressive Graph Learning for Open-Set Domain Adaptation [44.63301903324783]
  オープンセットドメイン適応(OSDA)は多くの視覚認識タスクで注目されている。 目的仮説空間を共有空間と未知の部分空間に分解するプログレッシブグラフ学習(PGL)フレームワークを提案する。 また、ソースとターゲットドメインの共存を前提としない、より現実的なオープンソースフリーなオープンセットドメイン適応(SF-OSDA)に取り組みます。
  論文  参考訳（メタデータ） (2022-02-13T01:19:41Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Open-Set Hypothesis Transfer with Semantic Consistency [99.83813484934177]
  本稿では,対象データの変換における意味的一貫性に着目した手法を提案する。 本モデルはまず,自信ある予測を発見し,擬似ラベルを用いた分類を行う。 その結果、ラベルなしデータは、ソースクラスまたは未知のクラスに一致した識別クラスに分類される。
  論文  参考訳（メタデータ） (2020-10-01T10:44:31Z)
• Sparsely-Labeled Source Assisted Domain Adaptation [64.75698236688729]
  本稿では,Sparsely-Labeled Source Assisted Domain Adaptation (SLSA-DA)アルゴリズムを提案する。 ラベル不足の問題により、ソースドメインとターゲットドメインの両方で投影されたクラスタリングが行われる。
  論文  参考訳（メタデータ） (2020-05-08T15:37:35Z)

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。