基于槽中心模型的测试时自适应
计算机视觉与模式识别
2023-06-29 v3 人工智能
机器学习
机器人学
摘要
当前的视觉检测器虽在其训练分布内表现优异，却常无法将分布外场景解析为构成实体。近期测试时自适应方法利用辅助自监督损失独立地使网络参数适配每个测试样本，并在图像分类任务的分布外泛化上展现出可喜结果。在我们的工作中，我们发现若无架构归纳偏置的考量，这些损失对场景分解任务而言并不充分。近期槽中心生成模型试图通过重建像素以自监督方式分解场景为实体。借鉴这两类工作，我们提出Slot-TTA，一种半监督槽中心场景分解模型，其在测试时通过重建或跨视角合成目标上的梯度下降逐场景适配。我们在多种输入模态（图像或3D点云）上评估Slot-TTA，并展现出相对于state-of-the-art有监督前馈检测器及其他测试时自适应方法的显著分布外性能提升。
引用
@article{arxiv.2203.11194,
title = {Test-time Adaptation with Slot-Centric Models},
author = {Mihir Prabhudesai and Anirudh Goyal and Sujoy Paul and Sjoerd van Steenkiste and Mehdi S. M. Sajjadi and Gaurav Aggarwal and Thomas Kipf and Deepak Pathak and Katerina Fragkiadaki},
journal= {arXiv preprint arXiv:2203.11194},
year = {2023}
}
备注
Accepted at ICML 2023. Project website at https://slot-tta.github.io/