超级会员免费看
本文介绍了一种新的持续测试时间适应（CTTA）方法，受NLP中的提示学习启发，通过视觉领域提示（domain prompt）使源模型适应不断变化的未标记目标域。方法包括领域特定提示和领域无关提示，以及基于稳态的提示适应策略，以避免错误积累和严重遗忘问题。实验证明，这种方法在处理动态数据分布时优于基于模型的适应方法。
目录
Continual test time adaptation via domain prompt
Homeostasis-based prompt adapting strategy
首先解释一下 Test-Time Adaptation：
DG（Domain generalization）假设我们有多个带标签的训练集（源域），这时候我们想让模型在另一个数据集上同样表现很好（目标域），但是在训练过程中根本不知道目标域是什么，传统DG方法就是在源域fine tune预训练模型，然后部署时不经过任何调整，因此DG的核心在于如何去利用多个源域带来的丰富信息。DG最困难的地方在于test-sample的不可知，训练时不可用，近期有一系列方法尝试假设test sample以online的形式出现，然后利用其信息增强泛化性，下表总结了test time adaptation方法与传统DA，DG方法的区别：
Fine-tune进行迁移学习 需要目标域标签来重新训练有监督损失；DA方法需
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
