关键词test-time domain adaptation
搜索结果 - 5
- 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
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。
- 弹性实践测试时间适应：软批归一化对齐和熵驱动的记忆库
通过在测试时进行领域适应，提出了一种抗干扰的实用测试时间适应（ResiTTA）方法，用于解决模型退化和数据质量问题。利用鲁棒批量归一化方法和软对齐策略缓解过拟合和模型退化，并采用熵驱动的记忆库存储高质量数据。通过教师 - 学生模型和自学习损 - 通过学习领域感知的批归一化实现测试时域自适应
通过仅操作 BN 层以减少学习干扰和提高域知识学习，结合自我监督学习提供监督，以及使用元学习强制辅助分支与主分支目标对齐的双层优化，我们的方法在五个真实领域转移数据集上优于其他方法。
- 跨领域语义分割的激励扩散表示
本文研究了将扩散模型预训练的特征表示用于语义分割的能力，发现这种方法可以在新的领域中实现非常出色的泛化能力，并提出了基于输入提示的跨域性能增强策略，包括场景提示、提示随机化、无监督学习的场景提示等，以及测试时域适应的方法，可以在不需要其他复 - CVPR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。