通过敏感性引导剪枝实现高效的测试时自适应目标检测
计算机视觉与模式识别
2025-06-04 v1
摘要
持续测试时自适应目标检测（CTTA-OD）旨在在连续域偏移下，于推理阶段在线地将源预训练检测器适应于不断变化的环境。现有大多数 CTTA-OD 方法优先考虑有效性而忽视了计算效率，这对于资源受限的场景至关重要。在本文中，我们提出了一种基于剪裁的高效 CTTA-OD 方法。我们的动机源于观察到并非所有学习到的源特征都是有益的；某些域敏感特征通道可能会对目标域性能产生不利影响。受此启发，我们引入了一种敏感性引导的通道剪枝策略，根据每个通道在图像和实例级别上对域差异的敏感性对其进行量化。我们应用加权稀疏正则化来选择性地抑制和剪枝这些敏感通道，将自适应工作集中在不变通道上。此外，我们引入了随机通道重激活机制来恢复被剪枝的通道，从而能够恢复潜在有用的特征并减轻早期剪枝的风险。在三个基准上的大量实验表明，我们的方法实现了优越的自适应性能，同时与近期的 SOTA 方法相比，在 FLOPs 上减少了 12% 的计算开销。
引用
@article{arxiv.2506.02462,
title = {Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning},
author = {Kunyu Wang and Xueyang Fu and Xin Lu and Chengjie Ge and Chengzhi Cao and Wei Zhai and Zheng-Jun Zha},
journal= {arXiv preprint arXiv:2506.02462},
year = {2025}
}
备注
Accepted as CVPR 2025 oral paper