利用少量样本指导提升测试时适应
计算机视觉与模式识别
2025-12-09 v4
摘要
深度神经网络常面临在训练（源）数据和测试（目标）数据之间出现显著性能下降的情况。为此，已提出测试时适应（TTA）方法来适应预训练的源模型，以处理分布外的流式目标数据。尽管这些方法提供了一些帮助，但缺乏可靠的域迁移更正机制，这在实际应用中常常不稳定。为此，我们发展了基于少量样本的测试时适应（FS-TTA），这是一种新颖且实用的设定，利用少量样本支持集来增强TTA。遵循少量输入、大幅收益的原则，FS-TTA减少了在未见目标域中进行盲目探索。此外，我们提出了一个两阶段框架来解决FS-TTA，包括（i）使用少量样本支持集微调预训练源模型，同时使用特征多样性增强模块以避免过拟合，（ii）基于原型记忆库指导实现测试时适应，以生成高质量的伪标签用于模型适应。通过在三个跨域分类基准上的大量实验，我们展示了FS-TTA及其框架的卓越性能和可靠性。
引用
@article{arxiv.2409.01341,
title = {Enhancing Test Time Adaptation with Few-shot Guidance},
author = {Siqi Luo and Yi Xin and Yuntao Du and Tao Tan and Guangtao Zhai and Xiaohong Liu},
journal= {arXiv preprint arXiv:2409.01341},
year = {2025}
}
备注
Submitted to TCSVT