Dec, 2021

SITA: 单图测试时适应

PDF
TL;DR该论文主要研究了用于单镜头图像推理的快速测试时间自适应方法（SITA）。 提出了一种名为 AugBN 的方法，它只需要一次前向传递来估计未见过的测试分布的规范化统计，该方法无需反向传播并且是无超参数的。 在实验中，该算法在各种数据集、任务和网络架构上都取得了显著的性能提升。
test-time adaptationsingle image test-time adaptationaugbnnormalization statisticshyperparameter-free
发现论文，激发创造
  • 单幅图像测试时自适应分割

    优化自监督损失进行测试时间段的自适应图像分割模型，采用多种基线方法及改进，并引入对抗训练来提高性能。

    Sep, 2023

  • 使用 InTEnt 进行医学图像分割：整合熵权重的单图像测试时适应性

    通过使用在训练和测试统计数据之间进行的基于熵统计的加权目标域统计估计的预测整合方法，我们解决了在只有单个无标签测试图像的情况下，适应医学图像分割模型的任务。

    Feb, 2024

  • 盲目图像质量评估的测试时间适应

    通过引入组对比损失和相对排序损失，使用测试分布中的少量图像批次可以显著提高模型性能，使盲目图像质量评估模型具备质量感知能力并适应目标数据。

    Jul, 2023

  • 图像分类中针对分布偏移的实时适应性评估

    通过建立一个基准测试来评估和比较测试时间调整方法在提高模型稳健性和泛化性能方面的有效性，我们提供了一个可靠的评估方式，并探索了不同测试时间调整方法与不同网络骨干的兼容性。

    Jul, 2023

  • 基于源自由的在线领域自适应卫星图像语义分割在图像退化下的应用

    在线自适应卫星图像分割中的分布偏移问题是一个关键但尚未充分探索的问题。本文提出了一种新的在线测试时领域适应方法，通过两种有效策略来缓解由各种形式的图像退化引起的分布偏移。通过全局 BN 统计估计和全局类别中心修正预测掩码的方法，我们的方法在各种领域适应场景中展现了鲁棒的性能。

    Jan, 2024

  • 语义分割中经典的测试时自适应方法的关键研究

    经过综合研究，我们发现语义分割中经典的测试时适应方法在解决问题上存在一些挑战，批量归一化更新策略对结果只带来轻微改善，师生方案使训练过程稳定但不会直接提高性能，长尾不平衡问题严重影响语义分割性能。

    Oct, 2023

  • 听取、适应、提高 WER：源自由单语音时自适应用于自动语音识别

    该研究提出了单次话语测试时间自适应（Single-Utterance Test-time Adaptation，SUTA）框架，首次将测试时间自适应（TTA）应用于语音识别，通过无监督目标和高效的适应策略，有效提高源 ASR 模型在多个域外目标语料库和域内测试样本上的性能。

    Mar, 2022

  • 超越熵：风格迁移引导的单图像持续测试时自适应

    BESTTA 是一个新颖的单图持续测试时间适应方法，通过风格转换引导，能够稳定高效地适应目标环境，仅使用一张图像在语义分割和图像分类任务中表现出色。

    Nov, 2023

  • 少数点击即可：主动测试时间适应语义分割

    在这项工作中，我们通过引入人机协同测试模式，提出了一种简单而有效的 ATASeg 框架，它通过极少量的注释实现了 TTA 方法和有监督方法之间的性能差距的弥合。

    Dec, 2023

  • 分布偏移下测试时间适应的综合调查

    本次研究调查了测试时间适应（TTA）在机器学习中的应用与优化方法。针对不同的学习场景，研究紧分测试时间领域适应、测试时间批适应、在线测试时间适应和测试时间先验适应四类，总结了高级算法的分类方法，探讨了 TTA 的应用与未来研究的挑战。

    Mar, 2023