- DPO: 三维物体检测中的测试时间适应性双扰动优化
利用 LiDAR 技术进行 3D 目标检测中,我们提出了双扰动优化的方法 (TTA-3OD) 来解决测试阶段适应性问题,通过最小化锐度来保证模型对数据细微变化具有弹性,从而增强了适应性过程的泛化性能。通过引入对抗扰动来更好地模拟嘈杂的测试环 - 先自主训练再转录
研究表明,对于训练和测试领域不匹配的情况下,当前的语音识别系统会显示出较大的性能下降。自我训练方法可以帮助解决这个问题,并在域漂移的情况下使模型适应。本文调查了在测试集上进行噪声学生教师训练作为测试时自适应方法的效益,类似于语言模型的动态评 - 发现邻居:动态世界中的高级稳定测试时适应
本文通过分析批量归一化技术中与类相关和与类无关的特征,将源域和测试域的统计数据进行组合,从而鲁棒地表征目标分布,并提出了针对动态测试时间适应的第一种无需反向传播的方法 DYN,该方法通过实例归一化统计量鉴别相似样本并进行聚类,以提供一致的与 - 全面走向合成:通过扩散驱动的测试时间自适应进行合成域对齐
通过 Synthetic-Domain Alignment(SDA)框架,使用有条件扩散模型生成合成数据集,然后使用无条件扩散模型对每个样本添加噪声和降噪,以解决扩散驱动的 TTA 方法中源模型和合成数据之间的潜在领域差异问题。实验证明,S - 通过协同作用的主动学习和模型选择探索测试时间人机协作适应性
本研究提出了一种基于主动学习和模型选择的人在环测试时间自适应方法,通过选择具有信息量的样本进行标记并使用已标记的数据选择最优超参数,实验结果表明该方法在 4 个测试时间自适应数据集上优于最先进的方法和基于流的主动学习方法。
- CVPR视觉语言模型的失误机会:视觉语言模型在线测试时间适应的比较研究
对视觉 - 语言模型的测试时间适应性策略进行系统探索,包括提示工程策略和现有的测试时间适应方法,以提高模型在真实场景中的适应性和鲁棒性。
- CLIPArTT: 测试时基于新领域的 CLIP 轻量级适应
通过在推理过程中自动构建文本提示并使用其作为文本监督,CLIPArTT 方法在不需要额外培训的情况下,通过独特的、最小侵入性的文本提示调优过程,使预训练视觉 - 语言模型在各种数据集和环境中动态提升性能并改善适应性。
- 应对测试时自鸣镜视频中的缺失模态
通过测试时间自适应的方式,本研究提出了一种用于处理缺失模态的自监督在线解决方案,称为 MiDl(具有自我蒸馏的互信息)。通过最小化预测和可用模态之间的互信息,该方法鼓励模型对测试中存在的特定模态源不敏感。此外,我们还采用了自我蒸馏方法,以在 - CVPR在线测试时间适应的领域特定块选择和配对视觉伪标签
测试时间适应 (TTA) 目的在于在部署后无法访问源数据的情况下,将预训练模型调整到新的测试领域。我们提出了 DPLOT,一个简单而有效的 TTA 框架,主要包括两个组件:(1) 选择涉及特定领域特征提取的块,通过熵最小化对这些块进行训练; - 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。
- CVPR针对开放集测试时间自适应的统一熵优化
提出了一种称为统一熵优化(UniEnt)的简单而有效的框架,用于同时适应协变量转移内分布数据和检测协变量转移外分布数据,并通过引入 UniEnt+ 来减轻由于硬数据分区而引起的噪声。在 CIFAR 基准和 Tiny-ImageNet-C 上 - 测试时零样本时序动作定位
通过引入一种新的方法 (T3AL),该方法对 Temporal Action Localization (TAL) 进行 Test-Time adaptation,并采用自我监督学习的启发式程序进行动作区域定位,使用最先进的字幕模型提取的帧 - 主动测试时间适应:理论分析与算法
使用主动学习在完全的测试时间适应设置中,通过限制标记测试实例的数量,提高测试领域之间的整体性能,同时避免灾难性遗忘,从而在测试时间适应(TTA)下解决领域偏移的问题。
- 仅通过前向传播进行测试时间模型适应
测试时间自适应是一种有效的方法,用于将经过训练的模型适配于具有潜在分布偏移的未见测试样本。为了应对资源有限的设备上的实际场景,我们提出了一种新的前向适应方法,它通过衍生自由的协方差矩阵适应进化策略来学习新添加的提示(作为模型输入),并设计了 - CVPRAETTA: 测试时适应的无标签精度估计
我们提出了一种适用于测试时间自适应(TTA)的无标签准确度估计算法 AETTA,通过与辍学推断比较目标模型预测来改进预测不一致性以扩展 AETTA 在适应失败下的适用性。我们进行了广泛的评估,并使用四个基线模型和六种 TTA 方法进行实验证 - GDA: 面向稳健测试时适应的通用扩散
通过引入广义扩散适应(GDA)方法,研究论文提出了一种对不同类型的分布移位具有鲁棒性的测试时间适应方法,实现了在广泛的 OOD 基准测试上的最高分类准确度提升。
- CVPRMedBN: 对恶意测试样本的鲁棒测试时适应性
测试时间适应(TTA)已成为解决测试数据训练和测试之间意外分布变化导致性能下降的有希望的方法。本研究提出中位数批归一化(MedBN)来应对 TTA 中的恶意示例对模型造成的潜在威胁,通过在测试推理期间的批归一化层中利用中位数来进行统计估计。 - CVPR高效的视觉语言模型测试时间自适应
TDA 是一种训练 - free 的动态适配器,通过轻量级的键值缓存和逐步的伪标签细化,以及引入负伪标签,实现了有效和高效的测试时自适应。
- CVPR无反向传播的网络用于三维测试时适应性
我们提出了一种新颖的方法,使用无反向传播法来处理 3D 数据的测试时适应问题,采用两流架构来维护源领域和目标领域的知识,并通过子空间学习减少两个领域之间的分布差异,使用基于熵的自适应融合策略对源领域和目标领域进行对齐。在流行的基准测试上进行 - 通过测试时适应性进行外部分布谣言检测
一个名为 TARD 的简单而高效的测试时适应化传播图框架用于谣言检测,通过建立传播图在分布偏移情况下增强模型的适应性和鲁棒性,实验证明该框架在性能上优于现有方法。