Ev-TTA：面向基于事件的物体识别的测试时自适应方法
计算机视觉与模式识别
2022-03-29 v2
摘要
我们提出了 Ev-TTA，一种简单而有效的基于事件的物体识别测试时自适应算法。尽管事件相机旨在提供快速运动或剧烈光照变化场景的测量，但许多现有的基于事件的识别算法在极端条件下由于显著的域偏移而性能下降。Ev-TTA 通过在测试阶段使用受事件时空特性启发的损失函数微调预训练分类器，来缓解严重的域差距。由于事件数据是测量的时间流，我们的损失函数对相邻事件强制相似预测，以快速在线适应变化的环境。此外，我们利用事件两种极性之间的空间相关性来处理极端光照下的噪声，其中不同极性的事件表现出不同的噪声分布。Ev-TTA 在广泛的基于事件的物体识别任务上展示了大量性能提升，且无需大量额外训练。我们的公式无论输入表示如何都能成功应用，并可进一步扩展到回归任务。我们期望 Ev-TTA 为在不可避免存在显著域偏移的具有挑战性的真实世界应用中部署基于事件的视觉算法提供关键技术。
引用
@article{arxiv.2203.12247,
title = {Ev-TTA: Test-Time Adaptation for Event-Based Object Recognition},
author = {Junho Kim and Inwoo Hwang and Young Min Kim},
journal= {arXiv preprint arXiv:2203.12247},
year = {2022}
}
备注
Accepted to CVPR 2022