Sep, 2023

pSTarC: 伪源引导的目标聚类进行全面测试时间适应

PDF
TL;DR提出了一种名为伪源引导目标聚类 (pSTarC) 的新方法，用于处理真实世界领域转移下的测试时间适应 (TTA) 问题，并在各种领域转移数据集上验证其有效性。该方法通过借鉴目标聚类技术，在完全的测试时间适应协议中仅利用源分类器生成伪源样本，将测试样本与伪源样本进行策略性对齐，促进聚类，从而提高 TTA 性能。该方法不仅在预测准确性上取得了显著的改进，而且计算要求高效。此外，还展示了 pSTarC 框架的通用性，证明了其对于连续 TTA 框架的有效性。
发现论文，激发创造
  • 通过锚定聚类重新审视真实测试时间的连续推断和自适应训练

    本文提出一种测试时训练（test-time training）的方法用于部署深度神经网络模型在不同域中数据的适配过程，其中采用实际顺序的 test-time anchored clustering（TTAC）协议来进行强化测试时间的特征学习，最终在六个测试数据集中超越其他已有的测试时训练方法。

    Jun, 2022

  • 借助最近邻信息的自我训练实现测试时间适应

    提出了一种新的测试时间自适应方法 Test-time Adaptation via Self-Training with nearest neighbor information (TAST)，其利用最近邻信息生成伪标签并通过自训练进行分类，能够在领域一般化和图像破坏等方面取得优于现有方法的性能。

    Jul, 2022

  • AR-TTA：一种用于现实世界中连续测试时适应的简单方法

    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

  • 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

  • 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

  • CNA-TTA：在聚类中基于干净和噪声区域的特征学习用于在线离线测试时间自适应

    利用聚类结构和区域的方法进行测试时间自适应，从而解决域偏移和虚假标签问题，该方法在在线 / 离线自适应模式和多个数据集上达到了最先进的效果。

    Jan, 2024

  • 主动测试时间适应：理论分析与算法

    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

  • 连续动态场景下的广义鲁棒测试时间自适应

    在测试期间，通过使用未标记的测试数据流独占地对预先训练的模型进行适应，测试时间适应（TTA）在实际应用中具有重要价值。本研究引入了一个更具挑战性的实用测试时间适应（PTTA）设置，并提出了一种广义鲁棒的测试时间适应（GRoTTA）方法来有效解决困难问题。通过稳定地通过鲁棒参数适应使模型平衡预测测试样本，实验表明 GRoTTA 在 PTTA 设置下明显优于现有竞争对手，有助于在实际应用中采用。

    Oct, 2023

  • 基于导向的扩散模型的测试时适应

    这篇论文介绍了一种新的基于引导的扩散驱动自适应方法，通过引入详细和全局的引导信息以及考虑分类器的引导信息，解决了测试数据与源域之间的语义信息丢失和模型偏移问题，并在多个实验中取得了显著的改进。

    Dec, 2023

  • 从聚类视角改进基于熵的测试时适应性

    领域转移是现实世界中常见的问题，完全测试时间适应（TTA）利用测试时间遇到的未标记数据来调整模型。我们从聚类的视角介绍了熵基于 TTA 方法（EBTTA），解释了为什么现有的 EBTTA 方法对初始分配、异常值和批次大小敏感，并提出了改进的方法。实验结果表明，我们的方法在各种数据集上都能取得一致的改进。

    Oct, 2023