Ev-TTA: 事件驱动物体识别的测试时间适应
通过设计模拟测试时间适应过程,本研究揭示了数据集和算法因素对 TTA 方法逐渐退化的影响,并提出了一种名为 PeTTA 的方法,通过平衡适应和防止模型崩溃两个主要目标来调整 TTA 的适应策略,在各种基准测试中证明了 PeTTA 在面对分散的 TTA 情景时的稳定性。
Nov, 2023
提出了一种名为 AR-TTA 的方法,该方法在自主驾驶领域中进行了测试时间适应,以处理不同程度的领域转变,并在维护源模型知识和适应动态变化的数据流方面表现优越。
Sep, 2023
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
本文提出了一种无需优化的测试时适应(OFTTA)框架,用于基于传感器的人体活动识别(HAR),通过使用指数衰减测试时归一化(EDTN)和基于特征和原型之间的距离的分类器更新方法,OFTTA 能够在分类性能和计算效率方面超越最先进的测试时适应方法。
Oct, 2023
该研究提出了一种针对空间 - 时间模型的方法,它能够在单个视频样本上进行特征分布对齐,保证了预测的一致性,并且在三个基准行动识别数据集上都表现出极高的性能。
Nov, 2022
CTAOD 通过使用 mean-teacher 框架并引入对象级对比学习模块、动态阈值策略和数据驱动的随机恢复机制,在处理不断变化的目标域中提高检测模型性能,实验结果显示在对象检测的四个 CTTA 任务中,CTAOD 优于现有方法,尤其在 Cityscapes-to-Cityscapes-C CTTA 任务上提高了 3.0 mAP。
Jun, 2024
开发一种测试时自适应方法,用于语义分割任务中针对视频序列中逐渐变化的领域进行模型适应,主要基于合成自驾车视频数据集 SHIFT,目标是分析分布变化并开发一个能够适应数据动态变化和在不同场景中泛化的方法。
Oct, 2023
测试时间适应 (Test-time adaptation,TTA) 在适应给定模型到任何测试样本,以解决训练与测试数据之间的潜在分布差异。然而,现有方法在每个测试样本上执行反向传播,导致对许多应用而言无法承受的优化成本,并且现有的 TTA 在无分布数据上可以显著提高测试性能,但在分布数据上经常遭受严重的性能退化(即遗忘)。为了解决这个问题,我们提出了一种高效的抗遗忘测试时间适应(Efficient Anti-Forgetting Test-Time Adaptation,EATA)方法,该方法通过开发主动样本选择准则来识别可靠且非冗余的测试样本,以实现测试时间熵的最小化。为了减轻遗忘,EATA 引入了一种从测试样本估计的 Fisher 正则化约束重要模型参数以防止剧烈变化的方法。然而,在 EATA 中,采用的熵损失通常将更高的置信度分配给不确定的样本,导致过度自信的预测。为了解决这个问题,我们进一步提出了用校准(Calibration)的 EATA(EATA-C)来分别利用可减小的模型不确定性和固有数据不确定性进行校准的 TTA。具体来说,我们通过完整网络和其子网络之间的预测差异来衡量模型不确定性,为此我们提出了一种差异损失来鼓励一致的预测而不是过度自信的预测。为了进一步重新校准预测置信度,我们利用预测标签之间的差异作为数据不确定性的指标,然后设计了一种最小最大熵正则化器来有选择地增加和减小不同样本的预测置信度。图像分类和语义分割的实验验证了我们方法的有效性。
Mar, 2024
使用主动学习在完全的测试时间适应设置中,通过限制标记测试实例的数量,提高测试领域之间的整体性能,同时避免灾难性遗忘,从而在测试时间适应(TTA)下解决领域偏移的问题。
Apr, 2024