EmbodiTTA：面向具身视觉系统的资源高效测试时自适应
机器学习
2026-04-21 v2 计算机视觉与模式识别
摘要
持续测试时自适应（CTTA）会在每个传入的数据批次上持续调整已部署的模型。尽管能实现最佳精度，但由于巨大的内存开销和能耗，现有的 CTTA 方法在资源受限的边缘设备上实际适用性较差。在这项工作中，我们首先引入一种新颖的范式——按需 TTA——它仅在检测到显著的领域偏移时才触发自适应。然后，我们提出了 OD-TTA，一个用于在边缘设备上实现精确高效自适应的按需 TTA 框架。OD-TTA 包含三项创新技术：1）一种轻量级的领域偏移检测机制，仅在需要时激活 TTA，从而大幅降低整体计算开销；2）一个源域选择模块，用于选择合适的源模型进行自适应，确保高且鲁棒的精度；3）一种解耦的批归一化（BN）更新方案，以实现小批量大小下的内存高效自适应。大量实验表明，OD-TTA 在显著降低能耗和计算开销的同时，达到了相当甚至更好的性能，使 TTA 成为现实可行的技术。
引用
@article{arxiv.2505.00986,
title = {EmbodiTTA: Resource-Efficient Test-Time Adaptation for Embodied Visual Systems},
author = {Xiao Ma and Young D. Kwon and Dong Ma},
journal= {arXiv preprint arXiv:2505.00986},
year = {2026}
}