用于 3D 测试时适应的无反向传播网络
计算机视觉与模式识别
2024-04-26 v2
摘要
现实世界系统经常会随时间遇到新数据，从而导致经历目标域偏移。现有的测试时适应方法倾向于应用计算量大且内存密集的基于反向传播的方法来处理这一问题。在此，我们提出了一种针对 3D 数据特定情况使用无反向传播方法进行 TTA 的新方法。我们的模型使用双流架构来维护关于源域的知识以及互补的目标域特定信息。我们模型的无反向传播特性有助于解决众所周知的遗忘问题，并缓解误差累积问题。所提出的方法还消除了通常带有噪声的伪标签过程的需求以及对昂贵的自监督训练的依赖。此外，我们的方法利用子空间学习，有效减少了两个域之间的分布方差。进一步地，使用一种新颖的基于熵的自适应融合策略来对齐源域特定流和目标域特定流。在流行基准上的大量实验证明了我们方法的有效性。代码将发布于 \url{https://github.com/abie-e/BFTT3D}。
引用
@article{arxiv.2403.18442,
title = {Backpropagation-free Network for 3D Test-time Adaptation},
author = {Yanshuo Wang and Ali Cheraghian and Zeeshan Hayder and Jie Hong and Sameera Ramasinghe and Shafin Rahman and David Ahmedt-Aristizabal and Xuesong Li and Lars Petersson and Mehrtash Harandi},
journal= {arXiv preprint arXiv:2403.18442},
year = {2024}
}
备注
CVPR 2024