ViDA：用于连续测试时间自适应的稳态视觉领域适配器

Jun, 2023

ViDA：用于连续测试时间自适应的稳态视觉领域适配器

ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation

Jiaming Liu, Senqiao Yang, Peidong Jia, Ming Lu, Yandong Guo...

TL;DR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。

Abstract

Since real-world machine systems are running in non-stationary and continually changing environments, continual test-time adaptation (CTTA) task is proposed to adapt the pre-trained model to continually changing target domains. Recently, existing methods mainly focus on model-based ada

continual test-time adaptation vida domain adaptation knowledge allotment machine learning

发现论文，激发创造

装扮新人：基于视觉域提示的连续测试时间适应

本文提出了一种基于图像级视觉域提示的连续测试时间适应方法，在不访问源数据的情况下适应于持续变化的未标记目标域。该方法包括两种提示类型：域特定提示和域不可知提示，并设计了一种基于一致性的提示自适应策略。实验证明，该方法在四个广泛使用的基准测试中实现了显著的性能提高。

Dec, 2022

连续的测试时域自适应

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

PALM: 推动自适应学习率机制以进行连续的测试时间自适应

通过在不依赖于伪标签的情况下，通过模型预测不确定性的量化来识别层，以克服先前方法的局限性；在 CIFAR-10C、CIFAR-100C 和 ImageNet-C 等标准测试数据集上进行了详细的图像分类实验，证明了我们方法的功效。

Mar, 2024

面向语义分割的分布感知持续测试时间适应

我们提出了一种分布感知调优 (DAT) 方法，通过数据分布选择和更新训练参数，以使连续测试时间适应 (CTTA) 在实际应用中变得高效和实用，该方法在两个广泛使用的语义分割 CTTA 基准测试上取得了优异的性能。

Sep, 2023

视觉文档理解的测试时间适应性

文章介绍了一种新的文档测试时间自适应方法，利用跨模态自监督学习和伪标记来使源域的模型适应测试时未标记的目标域，并在各种视觉文档理解任务中提升效果。

Jun, 2022

可控的持续测试时间自适应

通过引入一种新颖的方法，即 C-CoTTA，它明确防止任何单个类别侵占其他类别，从而减轻不可控转换引起的各类别之间的相互影响，减少模型对领域转换的敏感性，从而降低类别转变的程度。

May, 2024

ICCV 2023 视觉持续学习挑战的技术报告：语义分割的连续测试时适应

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

动态域，动态解决方案：用于连续测试时适应的 DPCore

本文介绍了一种通过视觉提示的动态提示核心集方法来实现持续的测试时间自适应（TTA），该方法不仅保留了先前访问的领域的知识，而且适应了新潜在领域的学习。经过广泛的测试，包括 ImageNet-C，CIFAR100-C 和 CIFAR10-C 等基准，显示出我们的方法始终优于最先进的替代方法，在动态变化的环境中表现突出，特别是在遇到灾难性遗忘和误差累积等挑战时。

Jun, 2024

探索连续变化环境中目标检测的测试时适应

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

连续化测试时间域自适应通过动态样本选择

在该文中，作者提出了一种用于 Continual Test-time Domain Adaptation 的 Dynamic Sample Selection（DSS）方法，通过动态阈值、正向学习和反向学习等过程，选择低质量样本并进行联合学习，从而提高模型在图像领域的效果，并展示了其在 3D 点云领域的适用性和潜力。

Oct, 2023