pSTarC：用于全测试时自适应的伪源引导目标聚类
计算机视觉与模式识别
2023-11-23 v2 机器学习
摘要
测试时自适应（TTA）是机器学习中的关键概念，使模型能在测试数据分布不同于训练数据的真实场景中有良好表现。在这项工作中，我们提出了一种称为伪源引导目标聚类（pSTarC）的新方法，以解决相对未被充分探索的真实世界域偏移下的 TTA 问题。该方法从目标聚类技术获得启发，并利用源分类器生成伪源样本。测试样本被策略性地与这些伪源样本对齐，促进其聚类，从而提升 TTA 性能。pSTarC 仅在全测试时自适应协议下运行，无需实际源数据。在 VisDA、Office-Home、DomainNet-126、CIFAR-100C 等多种域偏移数据集上的实验验证证实了 pSTarC 的有效性。该方法在预测精度上表现出显著提升，且计算需求高效。此外，我们还通过展示其对连续 TTA 框架的有效性，证明了 pSTarC 框架的通用性。我们的方法源代码可在 https://manogna-s.github.io/pstarc 获取。
引用
@article{arxiv.2309.00846,
title = {pSTarC: Pseudo Source Guided Target Clustering for Fully Test-Time Adaptation},
author = {Manogna Sreenivas and Goirik Chakrabarty and Soma Biswas},
journal= {arXiv preprint arXiv:2309.00846},
year = {2023}
}
备注
Accepted in WACV 2024