通过 Primary-Auxiliary Filtering 与 Knowledge-Integrated Prediction 稳定开放集测试时适应
人工智能
2025-08-27 v1 计算机视觉与模式识别
摘要
深度神经网络在训练-测试分布一致的情况下表现出强大的性能. 然而,现实场景的测试数据常常存在领域偏移. 测试时适应 (TTA) 通过在推理期间适应测试数据以解决此挑战. 虽然大多数 TTA 研究假设训练和测试数据共享相同类别集合 (封闭集 TTA),但现实场景常涉及开放集合数据 (开放集 TTA),这可能降低封闭集准确率. 最近的研究表明,在适应期间识别开放集合数据并最大化其熵是有效解决方案. 然而,该方法依赖源模型进行过滤,导致对域移测试数据的过滤准确率次优. 相反,我们发现正在适应的模型会从噪声测试流中学习领域知识,因此在用于过滤时不稳定并导致误差累积. 为解决此问题,我们提出 Primary-Auxiliary Filtering (PAF),采用辅助过滤器验证由主过滤器筛选的数据. 此外,我们提出 Knowledge-Integrated Prediction (KIP),用于校准正在适应的模型、EMA 模型和源模型的输出,以整合它们的互补知识. 我们在多样化的封闭集和开放集数据集上验证了该方法. 我们的办法在现有方法基础上提高了封闭集准确率和开放集判别能力. 代码已发布于 https://github.com/powerpowe/PAF-KIP-OSTTA .
引用
@article{arxiv.2508.18751,
title = {Stabilizing Open-Set Test-Time Adaptation via Primary-Auxiliary Filtering and Knowledge-Integrated Prediction},
author = {Byung-Joon Lee and Jin-Seop Lee and Jee-Hyong Lee},
journal= {arXiv preprint arXiv:2508.18751},
year = {2025}
}
备注
Accepted at BMVC 2025