TTAPS：利用自监督对齐原型的测试时自适应方法
机器学习
2022-05-19 v1 计算机视觉与模式识别
摘要
如今，深度神经网络在许多任务上的表现优于人类。然而，若输入分布偏离训练所用分布，其性能会显著下降。近期发表的研究表明，将模型参数适配到测试样本可缓解这种性能退化。因此，本文提出一种对自监督训练算法 SwAV 的新颖改进，使其具备适配单个测试样本的能力。利用 SwAV 所提供的原型以及我们推导的测试时损失，我们将未见测试样本的表征与自监督学习到的原型对齐。我们在常用基准数据集 CIFAR10-C 上展示了我们方法的成功。
引用
@article{arxiv.2205.08731,
title = {TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision},
author = {Alexander Bartler and Florian Bender and Felix Wiewel and Bin Yang},
journal= {arXiv preprint arXiv:2205.08731},
year = {2022}
}
备注
Accepted at International Joint Conference on Neural Networks 2022 (IJCNN)