参数选择性持续测试时间适应
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
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
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
本研究提出了一种基于简洁的对称交叉熵损失与对比学习的鲁棒性平均教师方法(RMT),可以在测试时自适应地应对连续和逐渐变化的数据分布转移,实验结果表明,在多个基准测试集上达到了最先进的结果。
Nov, 2022
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
本文介绍了 VCoTTA,这是一种变分贝叶斯方法,用于在 Continual Test-Time Adaptation(CTTA)中测量不确定性,并且该方法通过组合源模型和教师模型的先验来更新学生模型,实验证明该方法在减轻 CTTA 框架内的先验漂移方面的有效性。
Feb, 2024
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
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
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
提出了持续测试时间适应(CTTA),用于将源预训练模型迁移到不断变化的目标分布,以应对现实世界的动态变化。通过构建适应性分布遮罩自编码器(ADMA)来提取目标领域知识并缓解分布转移累积的问题,实验结果表明在分类和分割 CTTA 任务中达到了最先进的性能。
Dec, 2023