对比式测试时自适应
计算机视觉与模式识别
2022-04-25 v1
摘要
测试时自适应是无监督域自适应的一种特殊设定，其中在源域上训练好的模型必须在不访问源数据的情况下适应目标域。我们提出了一种利用自监督对比学习来促进目标特征学习的新方法，并配有一种带精炼的在线伪标注方案，可显著去除伪标签中的噪声。对比学习任务与伪标注联合应用，正样本对和负样本对的构建方式类似于 MoCo，但使用源初始化的编码器，并排除由伪标签指示的同类负样本对。同时，我们在线生成伪标签，并通过在目标特征空间中其最近邻之间的软投票对其进行精炼，这得益于维护一个记忆队列。我们的方法 AdaContrast 在主要基准上取得了最先进的性能，并且与现有工作相比具有若干理想特性，包括内存高效、对超参数不敏感以及更好的模型校准。项目页面：sites.google.com/view/adacontrast。
引用
@article{arxiv.2204.10377,
title = {Contrastive Test-Time Adaptation},
author = {Dian Chen and Dequan Wang and Trevor Darrell and Sayna Ebrahimi},
journal= {arXiv preprint arXiv:2204.10377},
year = {2022}
}
备注
CVPR 2022 camera-ready version