探索对象检测持续测试时适应技术
计算机视觉与模式识别
2025-06-12 v5
摘要
实际应用中的模型常常部署在动态环境中，目标域分布随时间发生变化。持续测试时适应（CTTA）最近涌现为一种有前景的技术，用于适应不断变化的目标域。尽管近期在解决CTTA方面取得了进展，但仍存在两个关键问题：1）固定的伪标签阈值导致低质量伪标签，因为模型置信度在不同类别和域之间变化；2）用于缓解灾难性遗忘的随机参数恢复方法由于内在随机性，未能有效保留关键信息。为解决这些问题，我们提出了AMROD，其包含三个核心组件。首先，对象级对比学习模块提取对象级特征进行对比学习，以细化目标域中的特征表示。其次，自适应监控模块动态跳过不必要的适应，并根据预测置信度分数更新类别特定阈值，以实现效率和提升伪标签质量。最后，自适应随机恢复机制选择性地重置不活跃参数，以确保保留关键知识。在四个CTTA对象检测任务上，我们证明了AMROD的有效性，其中AMROD在Cityscapes-to-Cityscapes-C CTTA任务上尤其表现出色，实现了3.2的mAP提升和20%的效率提升。该工作的代码已公开于 https://github.com/ShileiCao/AMROD。
引用
@article{arxiv.2406.16439,
title = {Exploring Test-Time Adaptation for Object Detection in Continually Changing Environments},
author = {Shilei Cao and Juepeng Zheng and Yan Liu and Baoquan Zhao and Ziqi Yuan and Weijia Li and Runmin Dong and Haohuan Fu},
journal= {arXiv preprint arXiv:2406.16439},
year = {2025}
}