基于特征增强的测试时适应方法
计算机视觉与模式识别
2024-10-21 v1
摘要
测试时适应（TTA）允许模型在不访问源数据的情况下适应到未知领域。由于实际环境的局限性，TTA limited amount of data for adaptation。最近的 TTA 方法进一步通过过滤输入数据来提高可靠性，导致有效数据规模更小，限制了适应潜力。为此，我们提出了基于特征增强的测试时适应（FATA）方法，该方法通过特征增强充分利用有限数量的输入数据。FATA 采用归一化扰动来增强特征，并通过 FATA loss 来适应模型，使增强特征和原始特征的输出相似。FATA 是模型无关的，可以无缝集成到现有模型中，而无需更改模型架构。我们在 ImageNet-C 和 Office-Home 上 demonstrate 了 FATA 在 various models and scenarios 下的有效性，验证了其在 diverse real-world conditions 下的优势。
引用
@article{arxiv.2410.14178,
title = {Feature Augmentation based Test-Time Adaptation},
author = {Younggeol Cho and Youngrae Kim and Junho Yoon and Seunghoon Hong and Dongman Lee},
journal= {arXiv preprint arXiv:2410.14178},
year = {2024}
}
备注
10 pages