面向开放集测试时自适应的统一熵优化
计算机视觉与模式识别
2024-04-10 v1
摘要
测试时自适应（TTA）旨在将预训练于有标签源域的模型适应到无标签目标域。现有方法通常侧重于提升协变量偏移下的TTA性能，而忽略了语义偏移。本文深入探讨了一种现实的开放集TTA设置，其中目标域可能包含来自未知类别的样本。许多最先进的闭集TTA方法在应用于开放集场景时表现不佳，这归因于对数据分布和模型置信度的不准确估计。为解决这些问题，我们提出了一种简单而有效的框架，称为统一熵优化（UniEnt），它能够同时适应协变量偏移的分布内（csID）数据并检测协变量偏移的分布外（csOOD）数据。具体而言，UniEnt首先从测试数据中挖掘伪csID和伪csOOD样本，然后对伪csID数据进行熵最小化，对伪csOOD数据进行熵最大化。此外，我们引入了UniEnt+，利用样本级置信度缓解硬数据划分带来的噪声。在CIFAR基准和Tiny-ImageNet-C上的大量实验显示了本框架的优越性。代码可在https://github.com/gaozhengqing/UniEnt获取。
引用
@article{arxiv.2404.06065,
title = {Unified Entropy Optimization for Open-Set Test-Time Adaptation},
author = {Zhengqing Gao and Xu-Yao Zhang and Cheng-Lin Liu},
journal= {arXiv preprint arXiv:2404.06065},
year = {2024}
}
备注
CVPR 2024