Continual Test-Time 的领域适应
目录
- 前言
- 相关工作
- Source Data Adaptation
- Target Data Adaptation
- CoTTA 概述
- CoTTA 详细介绍
- Weight-Averaged Pseudo-Labels
- Augmentation-Averaged Pseudo-Labels
- Stochastic Restoration
- 实验
- 结论
- 参考
前言
Continual Test-Time 的领域适应(CoTTA)在 CVPR 2022 上被提出,目的是在不使用任何源数据(source domain)的情况下,将源预训练模型适应于目标域(target domain)。现有的研究主要关注于处理静态 target domain 的情况。然而,在现实世界中,机器感知系统必须在不稳定且不断变化的环境中运行,target domain 的分布会随时间不断变化。
现有的方法主要基于自训练和熵正则化,但它们还是可能受到这些非稳定环境的影响。由于 target domain 内的分布随时间发生偏移,伪标签变得不可靠。因此,带有噪声的伪标注进一步导致错误积累和灾难性遗忘。为了应对这些问题,这篇文章提出了一种测试时领域适应方法(CoTTA)。
在正式介绍 CoTTA 之前,我们先来熟悉一些相关工作。