可控的持续测试时间自适应
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
本文研究了在不断变化的目标领域中将源预训练模型适应的困难任务,发现源模型对目标数据流分布的不断改变表现出高度偏向的预测,本文提出了一种解决偏见问题的方法,并在现有的连续测试时间适应方法基础上取得了显著的性能提升,而适应时间开销并不大。
Mar, 2024
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
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
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
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
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
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
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
本文引入了 Parameter-Selective Mean Teacher (PSMT) 方法,通过选择性的蒸馏机制在学生模型中利用过去知识对新知识进行正则化,以减轻错误积累的影响;同时,在教师模型中通过 Fisher 信息创建掩码来有选择性地更新参数,并应用保存措施于关键参数,以避免灾难性遗忘,实验证实 PSMT 在多个基准数据集上优于现有方法。
Jul, 2024