COMET：面向在线无源通用域适应的对比均值教师模型

在实际应用中，训练数据与测试数据之间常常存在域偏移。这一观察结果推动了测试时适应的产生。它旨在使预训练的源模型适应测试数据，而无需访问源数据。然而，现有大多数工作都局限于闭集假设，即源域和目标域之间不存在类别偏移。我们认为，在现实的开放世界环境中，除了域偏移之外，还可能出现类别偏移。这意味着，个别源类可能不再出现在目标域中，新类样本可能成为目标域的一部分，甚至两者同时发生。此外，在许多实际场景中，测试数据并非一次性全部可用，而是作为数据流批次顺序到达，并要求立即给出预测。因此，测试时适应必须以在线方式应用。据我们所知，这些方面的组合，即在线无源域适应，尚未被研究过。在本文中，我们针对这一新场景引入了一种对比的均值教师模型。它应用对比损失来重建一个特征空间，其中已知类别的样本形成独特的簇，而新类别的样本则与这些簇很好地分离。此外，还辅以熵损失，确保分类器输出对于已知类样本具有较小的熵，而对于新类样本具有较大的熵，以便于被轻松检测并拒绝为未知。为了给这些损失提供可靠的伪标签，它们被嵌入到一个均值教师框架中。我们在两个数据集和所有类别偏移设置下评估了我们的方法，为在线无源域适应设定了初始基准。其中，COMET 取得了最先进的性能，并证明其在各种不同场景下具有一致性和鲁棒性。