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
该研究探讨了测试时间自适应的方法,使用特征修正、自我蒸馏以及空间本地化聚类等技术,提高了医学图像分割任务的性能,进一步提高了现有测试时间适应方法的性能表现。
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
TDA 是一种训练 - free 的动态适配器,通过轻量级的键值缓存和逐步的伪标签细化,以及引入负伪标签,实现了有效和高效的测试时自适应。
Mar, 2024
本研究提出 Continual Test-Time Adaptation (CTTA) 任务及 Visual Domain Adapter (ViDA) 实现了对预训练模型的修改,以适应不断变化的目标领域;同时还提出了 Homeostatic Knowledge Allotment (HKA) 策略,通过对各个 ViDA 分配不同等级的知识以适应实际应用中不同领域的变化,并在分类和分割任务等方面实现了最新的表现。
Jun, 2023
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
本文提出了一种改进的测试时间自适应方法(ITTA),通过引入一个可学习的一致性损失,用于更新辅助测试任务,并且只在测试阶段更新可训练参数,从而解决了域泛化中分布偏移问题,实验表明,该方法在多个评估基准上具有卓越的性能。
Apr, 2023
提出了一个基于权重平均和增强平均预测的持续测试时间自适应方法,在长期内实现了所有神经网络参数的适应,同时有效避免了疾病遗忘和噪声伪标签带来的错误积累,该方法处理的问题主要集中在测试时间域适应和深度学习等领域。
Mar, 2022
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。
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。