Jan, 2024

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

PDF
TL;DR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。
domain shifttest-time adaptationfalse labelsclusteringcna-tta
发现论文，激发创造
  • 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

  • 测试时间自适应的特征对齐和统一性

    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。

    Mar, 2023

  • 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

  • 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

  • 连续测试时间适应中源知识的有效恢复

    通过无监督领域变化检测方法，该论文解决了传统测试时适应方法在动态环境中适应连续变化的目标分布时所面临的挑战，包括之前学习的有价值源知识的灾难性遗忘和由于错误标签的错误校准而导致的渐进性误差积累问题。

    Nov, 2023

  • pSTarC: 伪源引导的目标聚类进行全面测试时间适应

    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。

    Sep, 2023

  • 针对协变量和标签偏移的测试时间调整器

    我们提出了一种新的标签偏移适应器，可以有效地处理标签偏移，并通过将其与测试时适应方法相结合来实现显著的性能改进。

    Aug, 2023

  • NC-TTT：一种用于测试时间训练的噪音对比方法

    通过鉴别噪声特征图，学习对投射特征图的噪声视图进行分类，从而在新的领域上正确调整模型，本研究提出了基于噪声对比测试时间训练（NC-TTT）的一种新的无监督测试时间训练技术，实验证明了我们方法在这一任务上相对于最近的方法的优势。

    Apr, 2024

  • 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

  • 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