测试时自适应遇见图像增强：通过不确定性感知的Logit切换提升精度
计算机视觉与模式识别
2024-03-27 v1 机器学习
摘要
深度神经网络在多种计算机视觉应用中取得了显著成功。然而，当数据分布在训练和测试之间发生偏移时，存在精度下降的问题。作为该问题的一种解决方案，测试时自适应（TTA）因其实用性而得到广泛研究。尽管TTA方法通过在测试时更新模型来提高分布偏移下的精度，但使用高不确定性预测已知会降低精度。由于输入图像是分布偏移的根源，我们将增强输入图像的新视角融入TTA方法中，以减少预测的不确定性。我们假设增强输入图像能降低预测的不确定性并提高TTA方法的精度。基于这一假设，我们提出了一种新方法：测试时增强器与分类器自适应（TECA）。在TECA中，分类模型与将输入图像转换为易于识别形式的图像增强模型相结合，这些模型通过现有的TTA方法进行更新。此外，我们发现增强图像的预测并不总是比原始图像的预测具有更低的不确定性。因此，我们提出了logit切换，即比较这些预测的不确定性度量并输出较低的那个。在实验中，我们使用多种TTA方法评估TECA，并表明TECA尽管没有超参数且参数开销很小，仍能降低预测的不确定性并提高TTA方法的精度。
引用
@article{arxiv.2403.17423,
title = {Test-time Adaptation Meets Image Enhancement: Improving Accuracy via Uncertainty-aware Logit Switching},
author = {Shohei Enomoto and Naoya Hasegawa and Kazuki Adachi and Taku Sasaki and Shin'ya Yamaguchi and Satoshi Suzuki and Takeharu Eda},
journal= {arXiv preprint arXiv:2403.17423},
year = {2024}
}
备注
Accepted to IJCNN2024