面向数据高效通用跨域检索的测试时训练
计算机视觉与模式识别
2023-04-12 v3
摘要
广义测试场景下的图像检索在文献中获得了显著关注，最近提出的通用跨域检索（Universal Cross-domain Retrieval, UCDR）协议是这一方向的开创性工作。任何此类广义分类或检索算法的常见做法是在训练时利用来自多个域的样本来学习数据的域不变表示。这种准则往往具有限制性，因此在本文中，我们首次以数据高效的方式探索广义检索问题。具体而言，我们旨在通过利用自监督学习技术在测试数据上自适应模型，使任何预训练的跨域检索网络泛化到任意未知查询域/类别。为此，我们探索了不同的自监督损失函数（例如 RotNet、JigSaw、Barlow Twins 等）并分析了它们在此任务上的有效性。大量实验表明，所提方法简单、易于实现，并且在处理数据高效 UCDR 方面是有效的。
引用
@article{arxiv.2208.09198,
title = {Test-time Training for Data-efficient UCDR},
author = {Soumava Paul and Titir Dutta and Aheli Saha and Abhishek Samanta and Soma Biswas},
journal= {arXiv preprint arXiv:2208.09198},
year = {2023}
}
备注
9 pages, 1 figure, 4 tables