探索人类在循环内测试适应：通过激活学习与模型选择的协同
计算机视觉与模式识别
2024-12-25 v3
摘要
现有的测试时间适应（TTA）方法通常依赖无标签测试数据流进行适应。近期尝试通过引入有限的人类标注松弛了这一假设，称为人类在循环内测试适应（HILTTA）。现有HILTTA研究的焦点在于选择最具信息性的样本进行标注，即激活学习。本文受到TTA对超参数敏感性这一问题的启发，提出通过协同激活学习与模型选择来实现HILTTA。具体而言，我们首先进行样本选择（激活学习），然后利用标注数据选择最优超参数（模型选择）。为防止模型选择过程过拟合局部分布，采用多种正则化技术补充验证目标。进一步地，考虑到激活学习与模型选择之间的平衡，设计了样本选择策略。我们在5个TTA数据集上演示，所提出的HILTTA方法与现有的即插即用TTA方法兼容，且这种组合显著优于现有的SOTA HILTTA方法。重要的是，我们的方法始终可以防止在所有即插即用TTA方法中选择最差的超参数。源码可在 https://github.com/Yushu-Li/HILTTA 获取。
引用
@article{arxiv.2405.18911,
title = {Exploring Human-in-the-Loop Test-Time Adaptation by Synergizing Active Learning and Model Selection},
author = {Yushu Li and Yongyi Su and Xulei Yang and Kui Jia and Xun Xu},
journal= {arXiv preprint arXiv:2405.18911},
year = {2024}
}
备注
Accepted at Transactions on Machine Learning Research (TMLR)