面向长期持续测试时域适应的自适应均衡重新初始化
计算机视觉与模式识别
2026-02-09 v1
摘要
持续测试时域适应 (CTTA) 旨在调整模型以便在随时间变化的非平稳环境中表现良好。虽然先前方法努力优化适应过程，但关键问题仍未解决：模型能否在长时间内适应持续变化的环境？本文我们探索了使用基于重新初始化的方法来促进 CTTA 的长期表现。首先，我们观察到长期性能与标签翻转轨迹图中呈现的模式相关。基于这一观察到的相关性，我们提出了一种简单而有效的策略：自适应且均衡的重新初始化 (ABR)，以维持模型的长期性能。具体而言，ABR 采用自适应间隔执行权重重新初始化。该自适应间隔基于标签翻转的变化确定。该方法在广泛的 CTTA 基准上得到验证，实现了优异的性能。
引用
@article{arxiv.2602.06328,
title = {Adaptive and Balanced Re-initialization for Long-timescale Continual Test-time Domain Adaptation},
author = {Yanshuo Wang and Jinguang Tong and Jun Lan and Weiqiang Wang and Huijia Zhu and Haoxing Chen and Xuesong Li and Jie Hong},
journal= {arXiv preprint arXiv:2602.06328},
year = {2026}
}
备注
Accepted in ICASSP 2026