Jun, 2024

连续测试时间域适应以有效检测不断变化的工作条件下的故障

PDF
TL;DR我们的研究工作介绍了一种新颖的连续测试时域自适应异常检测方法，通过解决领域变化和有限数据代表性问题，实现了早期稳健的异常检测，能够有效适应不断变化的操作条件，尤其对于数据稀缺的系统具有显著改进，并在故障检测中表现出增强的准确性和可靠性。
fault detectiondata-driven methodsearly fault detectiontest-time domain adaptationanomaly detection
发现论文，激发创造
  • 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

  • 面向上下文的领域适应方法用于时序异常检测

    通过深度增强学习和上下文采样来建立时间序列领域自适应模型，以实现相似或不同领域之间的知识转移，并且在三个公开数据集上取得了良好的效果。

    Apr, 2023

  • 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

  • 在不断变化的测试领域中，目标检测器应该在何时、何地、如何更新？

    深度学习模型在测试时面临分布转变时性能下降，为了解决目标检测中模型架构多样性问题以及如何才能有效适应新的测试领域并防止灾难性遗忘，在此论文中，我们提出了一种新的在线适应方法，通过引入架构无关的轻量级适配器模块并只更新这些模块，同时保持预训练的骨干网络不变，从而在目标检测中快速且高效地适应新的测试领域并解决领域转变问题。

    Dec, 2023

  • 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

  • ATTA：面向分割领域中的异常感知测试时间适应

    本研究提出了一种双层离群分布检测框架，可同时处理领域漂移和语义漂移，通过全局低层特征和密集高层特征图来区分领域漂移和语义漂移，并能够选择性地调整模型以适应未知领域，并提高在检测新类别方面的效果。在多个离群分割基准测试中验证了所提出方法的有效性，包括存在显著领域漂移和不存在领域漂移的情况下，观察到各种基准模型的持续性性能改进。

    Sep, 2023

  • 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

  • 回到源头：扩散驱动的测试时适应

    该研究提出了一种基于扩散生成模型的测试时间自适应方法（DDA），该方法可在不重新训练模型的情况下通过对输入数据进行自适应来提高模型在移位目标数据上的准确性，并在 ImageNet-C 基准测试中展现了更加鲁棒的表现。

    Jul, 2022

  • 利用测试时间增强和一致性评估进行异常检测

    本文提出一种针对神经网络对未知数据的检测算法，名为 TTA-AD，借鉴了一种新的观察方法，实验证明 TTA-AD 在不同高效图像基准数据集下，运行时间比现有基于分类器的算法下降了 60%~90% 且具有可比较或更好的检测性能。

    Jun, 2022