STAMP：基于稳定记忆回放的异常感知测试时适应

测试时适应（TTA）旨在仅凭测试时 unlabeled 数据解决训练与测试数据之间的分布偏移。现有 TTA 方法往往专注于提高针对训练集中出现的类别的测试数据的识别性能。然而，在开放式推理过程中，必然存在来自未知类别的测试数据，常称为异常值。本文关注在异常值存在的情况下同时进行样本识别和异常值拒绝的问题。为解决此问题，我们提出了一种新方法称为 STAble Memory rePlay（STAMP），其在稳定的记忆库上进行优化，而非直接在小批量数据上操作。具体而言，记忆库通过以类别平衡方式选择低熵且标签一致的样本进行动态更新。此外，我们发展了自加权熵最小化策略，为低熵样本分配更高权重。大量实验结果表明，STAMP 在识别和异常检测性能上均优于现有 TTA 方法。代码已发布于 https://github.com/yuyongcan/STAMP。