TTA-DAME：基于域增强与模型集成的动态驾驶环境测试时适应
计算机视觉与模式识别
2026-04-01 v2 人工智能
机器学习
摘要
测试时适应（TTA）面临挑战，需要模型在动态变化的目标域上进行自适应并达到最佳性能。该任务在现实驾驶场景中尤为突出，因为天气域迁移频繁发生。为应对此类动态变化，我们提出的方法 TTA-DAME 利用源域数据增强到目标域中。此外，我们引入域判别器和专用的域检测器，以缓解尤其是从白天向夜晚条件的突变性域迁移。为进一步提高适应性，我们训练多个检测器并通过非最大抑制（NMS）整合其预测。我们的实证验证表明，该方法有效，在 SHIFT Benchmark 上显著提升了性能。
引用
@article{arxiv.2508.12690,
title = {TTA-DAME: Test-Time Adaptation with Domain Augmentation and Model Ensemble for Dynamic Driving Conditions},
author = {Dongjae Jeon and Taeheon Kim and Seongwon Cho and Minhyuk Seo and Jonghyun Choi},
journal= {arXiv preprint arXiv:2508.12690},
year = {2026}
}
备注
1st Place in Continual Test-time Adaptation for Object Detection Challenge at VCL Workshop, ICCV 2023