PCoTTA：多任务点云理解的持续测试时自适应
计算机视觉与模式识别
2024-11-04 v1 机器学习
摘要
本文提出了 PCoTTA，一个用于多任务点云理解中持续测试时自适应（CoTTA）的创新性、前瞻性框架，旨在增强模型向持续变化的目标域的迁移能力。我们为 PCoTTA 引入了多任务设置，该设置实用且真实，在持续适应过程中在一个统一模型中处理多个任务。我们的 PCoTTA 包含三个关键组件：自动原型混合（APM）、高斯 Splatted 特征偏移（GSFS）和对比原型排斥（CPR）。首先，APM 旨在通过相似性平衡因子自动混合源原型与可学习原型，以避免灾难性遗忘。然后，GSFS 将测试样本动态地向源域偏移，以在线方式缓解误差累积。此外，CPR 旨在将最近的可学习原型拉向测试特征并将其推离其他原型，使每个原型在适应过程中具有可区分性。实验对比产生了新的基准，证明了 PCoTTA 在增强模型向持续变化的目标域迁移能力方面的优越性。
引用
@article{arxiv.2411.00632,
title = {PCoTTA: Continual Test-Time Adaptation for Multi-Task Point Cloud Understanding},
author = {Jincen Jiang and Qianyu Zhou and Yuhang Li and Xinkui Zhao and Meili Wang and Lizhuang Ma and Jian Chang and Jian Jun Zhang and Xuequan Lu},
journal= {arXiv preprint arXiv:2411.00632},
year = {2024}
}
备注
Accepted to NeurIPS 2024