关键词continual test-time adaptation
搜索结果 - 15
- 参数选择性持续测试时间适应
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 - 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 - 动态域,动态解决方案:用于连续测试时适应的 DPCore
本文介绍了一种通过视觉提示的动态提示核心集方法来实现持续的测试时间自适应(TTA),该方法不仅保留了先前访问的领域的知识,而且适应了新潜在领域的学习。经过广泛的测试,包括 ImageNet-C,CIFAR100-C 和 CIFAR10-C - 少即是多:持续测试时间适应的伪标签过滤
在测试阶段无需访问源数据,连续测试时适应 (CTTA) 旨在将预训练模型调整到一系列目标领域。为了适应未知领域的无标签数据,现有方法依赖于为所有样本构建伪标签并通过自我训练来更新模型。然而,这些伪标签往往包含噪声,导致适应不足。为了提高伪标 - 通过专家混合实现激活稀疏性分解用于持续测试时间适应
利用 Mixture-of-Activation-Sparsity-Experts 将神经激活分解为高激活和低激活成分,结合领域信息和自适应特征选择阈值,通过引入 Homeostatic-Proximal 损失解决了模型连续适应中的问题,从 - 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。
- PALM: 推动自适应学习率机制以进行连续的测试时间自适应
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。
- 缓解模型对持续测试时间调整的偏见
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。
- 变分持续测试时间自适应
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 - 自适应分布遮蔽自编码器用于持续测试时自适应
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 - 超越熵:风格迁移引导的单图像持续测试时自适应
BESTTA 是一个新颖的单图持续测试时间适应方法,通过风格转换引导,能够稳定高效地适应目标环境,仅使用一张图像在语义分割和图像分类任务中表现出色。
- 面向语义分割的分布感知持续测试时间适应
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。
- ViDA:用于连续测试时间自适应的稳态视觉领域适配器
本研究提出 Continual Test-Time Adaptation (CTTA) 任务及 Visual Domain Adapter (ViDA) 实现了对预训练模型的修改,以适应不断变化的目标领域;同时还提出了 Homeostati - CVPREcoTTA: 自我蒸馏正则化实现高效节省内存的持续测试时适应
本文提出了一个简单而有效的方法,以在内存效率的前提下改善持续的测试时间适应性的执行,该方法主要可在具有有限内存的边缘设备上进行,通过减少内存的使用量来实现。该方法包括两个组件,一个是可以在目标领域中将冻结的原始网络适应的轻量级元网络,第二个 - AAAI装扮新人:基于视觉域提示的连续测试时间适应
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