多样性感知缓冲区用于应对在线测试时自适应中的时间相关数据流

由于模型部署后可能发生分布偏移，并可能大幅降低模型性能，在线测试时自适应在测试期间持续更新模型，利用当前测试数据。在现实场景中，测试数据流并不总是独立同分布的。相反，它们经常是时间相关的，因此是非独立同分布的。许多现有方法难以应对这种情况。作为回应，我们提出了一种多样性感知和类别平衡的缓冲区，即使在非独立同分布场景中也能模拟独立同分布数据流。结合多样性和熵加权熵损失，我们展示了在基于ImageNet的广泛损坏和自然域偏移上可以实现稳定的自适应。我们在大多数考虑的基准上取得了最先进的结果。