DomainAdaptor：一种新颖的测试时自适应方法
计算机视觉与模式识别
2023-08-22 v1
摘要
为应对训练与测试样本间的域偏移，现有方法主要侧重于在训练期间学习可泛化特征，而忽视了在测试期间同样关键的未见过样本的特殊性。本文研究一项更具挑战性的任务，旨在将训练好的 CNN 模型在测试时自适应至未知域。为最大程度挖掘测试数据中的信息，我们提出一种称为 DomainAdaptor 的测试时自适应统一方法，其由 AdaMixBN 模块与广义熵最小化（GEM）损失组成。具体而言，AdaMixBN 通过动态混合系数与统计量变换操作，在归一化层中自适应融合训练与测试统计量，从而解决域偏移。为进一步增强 AdaMixBN 的自适应能力，我们设计了 GEM 损失，将熵最小化损失扩展以更好地利用测试数据中的信息。大量实验表明，DomainAdaptor 在四个基准上持续优于最先进方法。此外，在少数据未知域上，我们的方法相较现有方法带来了更显著的提升。代码见 https://github.com/koncle/DomainAdaptor。
引用
@article{arxiv.2308.10297,
title = {DomainAdaptor: A Novel Approach to Test-time Adaptation},
author = {Jian Zhang and Lei Qi and Yinghuan Shi and Yang Gao},
journal= {arXiv preprint arXiv:2308.10297},
year = {2023}
}
备注
Accepted by ICCV2023