SITA：单图像测试时自适应
计算机视觉与模式识别
2022-09-08 v3
摘要
在测试时自适应（TTA）中，给定源模型，目标是使其适应以对来自不同于源的分布的测试实例做出更好预测。关键的是，TTA 假设无法访问源数据，甚至无法访问来自目标分布的任何额外有标签/无标签样本来微调源模型。本工作中，我们考虑一种更务实设定下的 TTA，称之为 SITA（单图像测试时自适应）。此处，在做出预测时，模型仅能访问给定的单个测试实例，而非如文献中通常考虑的批实例。其动机来自现实场景：按需推理而非等待传入批次，或推理发生在边缘设备（如手机）上而无批处理可能。SITA 中的整个自适应过程应极快，因其发生于推理时。为此，我们提出仅需单次前向传播的新型方法 AugBN。它可用于任何现成训练模型，对分类与分割任务测试单实例。AugBN 使用仅一次带保标签变换的前向传播，从给定测试图像估计未见测试分布的正则化统计。由于 AugBN 不涉及任何反向传播，相较近期测试时自适应方法显著更快。我们进一步扩展 AugBN 使算法无超参数。严谨实验表明，我们的简单算法能为多种数据集、任务与网络架构取得显著性能提升。
引用
@article{arxiv.2112.02355,
title = {SITA: Single Image Test-time Adaptation},
author = {Ansh Khurana and Sujoy Paul and Piyush Rai and Soma Biswas and Gaurav Aggarwal},
journal= {arXiv preprint arXiv:2112.02355},
year = {2022}
}