Continual Test-Time Domain Adaptation

原创 已于 2023-07-06 11:37:45 修改 · 445 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#计算机视觉

于 2023-07-06 11:34:41 首次发布

题目：Continual Test-Time Domain Adaptation

一、研究背景：
在无源域域自适应问题中，目标域的状态往往不是静止的，而是随时间发生变化。因此，常用的伪标签方法会存在较大的噪声，并带来误差积累和灾难性遗忘。

二、研究目标：
解决误差积累和灾难性遗忘问题。

三、技术路线：
在这里插入图片描述

Continual Test-Time 的领域适应
NJU phd 在读。
06-24 1165
Continual Test-Time 的领域适应（CoTTA）在 CVPR 2022 上被提出，目的是在不使用任何源数据（source domain）的情况下，将源预训练模型适应于目标域（target domain）。现有的研究主要关注于处理静态 target domain 的情况。然而，在现实世界中，机器感知系统必须在不稳定且不断变化的环境中运行，target domain 的分布会随时间不断变化。现有的方法主要基于自训练和熵正则化，但它们还是可能受到这些非稳定环境的影响。
Decorate the Newcomers: Visual Domain Prompt for Continual Test Time Adaptation
LuvLive的博客
03-28 943
Decorate the Newcomers: Visual Domain Prompt for Continual Test Time Adaptation
论文笔记：Gradient Regularized Contrastive Learning for Continual Domain Adaptation
weixin_41978493的博客
03-26 1018
论文地址：https://arxiv.org/abs/2007.12942 代码地址：尚未开源 1 Main Idea（梯度正则化） 1）令梯度不损害源域特征的判别能力，反过来提高模型对目标域的自适应能力； 2）约束梯度不提高在旧目标域上的分类损失，使得模型在旧目标域上的表现得到保持，同时对新目标域有很好的适应能力。 在本文中，作者认为保留源域特征的可分辨能力可以提高模型对不同目标域的适应能力，也即由于源域的标签是已知的，因此从源域中学到的分辨能力可以引导对所有域的适应。多任务学习即源域上的分..
论文精读:Continual Test-Time Domain Adaptation(持续测试时域自适应)
L_142190687的博客
08-16 1266
本文介绍了2022年CVPR上的CoTTA论文，针对动态目标域下的持续测试时自适应问题。传统方法在长期适应中会出现错误累积和灾难性遗忘。CoTTA通过权重平均和增强平均生成高质量伪标签，并采用随机恢复机制保留源知识。实验表明，在CIFAR10/100-C、ImageNet-C分类任务和Cityscapes→ACDC分割任务上，CoTTA显著优于其他方法。该方法无需源数据，可部署于任何预训练模型，有效解决了动态环境下的自适应难题。
CoTTA:连续的测试时域自适应方法
zuiyishihefang的博客
11-06 2048
文章信息论文题目为《Continual Test-Time Domain Adaptation》，该文于2022年发表于Conference on Computer Vision and Pattern Recognition (CVPR)会议上。文章提出了一种持续的测试时域自适应方法（CoTTA），旨在应对非稳态和不断变化的目标领域环境，通过减少错误累积和防止灾难性遗忘，以实现源模型的长期适应。...
Continual Test-Time Domain Adaptation--论文笔记
dezwb的博客
07-03 1903
TTA的目的是在不使用任何源数据的情况下，将源预先训练的模型适应到目标域。现有的工作主要考虑目标域是静态的情况。然而，现实世界的机器感知系统运行在非静态和不断变化的环境中，其中目标域分布可能会随着时间的推移而变化。现有的方法大多基于自训练和熵正则化，可能会受到这些非平稳环境的影响。由于目标域中的分布随时间移动，伪标签变得不可靠。嘈杂的伪标签会进一步导致错误累积和灾难性的遗忘。为了解决这些问题，
Continual Test-Time Adaptation.zip
05-20
Official code for Continual Test-Time Domain Adaptation, published in CVPR 2022. This repository also includes other continual test-time adaptation methods for classification and segmentation. We ...
VIDA: HOMEOSTATIC VISUAL DOMAIN ADAPTER FOR CONTINUAL TEST TIME ADAPTATION--论文笔记
dezwb的博客
07-08 1463
针对实际机器系统运行在非平稳环境中的特点，提出了连续测试时间自适应(CTTA)任务，使预先训练的模型能够适应不断变化的目标域。目前，已有的方法主要集中在基于模型的自适应，旨在利用自训练的方式来提取目标域的知识。然而，在动态数据分布下，==伪标签可能存在噪声，更新后的模型参数不可靠，导致在连续的自适应过程中误差累积和灾难性遗忘。==为了应对这些挑战并保持模型的可塑性，我们设计了一个用于CTTA的可视化领域适配器(VIDA)，显式地处理领域特定知识和领域共享知识。
【论文阅读】Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift
petSym的博客
05-22 1298
Deep Cocktail Network: Multi-source Unsupervised Domain Adaptation with Category Shift SUMMARY@ 2020/5/12 文章目录1. Method abstractduring training, two alternating adaptation steps:2. Motivation3. Challenges /Problem to be solved4. Contribution5. Related wor
论文笔记：Continual Adaptation of Visual Representations via Domain Randomization and Meta-learning
weixin_41978493的博客
03-27 1197
论文地址：https://arxiv.org/abs/2012.04324 源码地址：尚未开源 1 Core Idea 序列化地用不同性质的样本来训练模型，会导致灾难性遗忘（catastrophic forgetting）。作者提出域泛化（domain randomization），运用图像处理，随机化当前域的数据分布。并以这个处理结果为基础，设计一个元学习（meta-learning）策略，有一个正则化项惩罚所有和模型从当前域到不同“辅助”元域的迁移有关的损失（penalizes any los..
增量学习入门
m0_61899108的博客
04-08 4673
增量学习(Incremental Learning)，亦称为持续学习(Continual Learning)或终身学习(Life-Long Learning)，是一种机器学习方法，它允许模型通过对新数据进行持续学习而不是重头训练整个模型。这种方法允许模型不断地学习新的知识，并在不断实际复杂多变的环境变化。
基于计算机视觉的柔性外骨骼地形识别
专业代码设计
01-04 908
本文研究基于计算机视觉的柔性外骨骼地形识别技术，旨在提高外骨骼设备的适应性和实用性。通过分析柔性外骨骼技术发展现状，指出当前设备在复杂地形中适应性不足的问题。研究采用计算机视觉和深度学习技术，设计系统架构并进行软硬件实现，重点解决地形特征提取、分类识别等关键技术难题。实验验证表明，该系统能有效提升地形识别准确率和实时性，为外骨骼在康复、救援等领域的应用提供了新思路。研究结果为柔性外骨骼的智能化发展提供了重要参考。
深度学习之目标检测(1)
weixin_48495360的博客
01-01 799
本文系统阐述了目标检测的基础实现原理及RCNN方法。核心思路是将目标检测分解为分类和回归任务：通过IoU交并比划分正负样本（1:3比例），使用先验框作为基准进行边界框回归。训练阶段采用迁移学习+SVM分类器，回归模型预测4个偏移量；推理阶段通过分类概率筛选候选框，利用回归偏移量解码预测框位置，最后用非极大值抑制(NMS)去除重复框。文章详细解析了RCNN的实现流程，包括样本划分、模型训练、推理解码等关键步骤，并强调了不同阶段阈值的应用，为理解目标检测基础原理提供了清晰框架。
目标检测系列之YOLOv11——v8模型的继续改进
weixin_49951631的博客
01-01 896
YOLOv11的迭代升级，再次体现了Ultralytics团队“精细化优化、实用化导向”的研发思路。没有颠覆性的架构变革，而是通过C3K2模块、嵌入式注意力机制、轻量化检测头等核心模块的优化，实现了性能的稳步提升，同时最大程度降低了开发者的迁移成本。这种迭代模式，既保障了模型的成熟度与稳定性，又能快速响应工业场景的实际需求。未来，随着YOLOv11生态的不断完善，其在多模态检测、小样本学习、联邦学习等方向的拓展值得期待。
基于计算机视觉的课堂行为编码研究
专业代码设计
01-04 617
本文探讨了基于计算机视觉的课堂行为编码研究。传统人工编码方法效率低且主观性强，难以满足现代教育需求。研究提出利用计算机视觉技术，通过视频捕获、预处理、深度学习模型训练等环节实现自动化课堂行为分析。实验结果表明，该方法显著提高了编码效率和准确性（达90%以上），为教学质量评估提供客观依据。研究推动了教育信息化发展，为构建智慧教育环境提供技术支持。未来将进一步优化模型性能，拓展应用场景。
【CVPR】3D Object Detection with Geometry-Aware Diffusion Features
Hali_Botebie的博客
12-30 312
3DIFFTECTION是一个“先赋予几何感知，再进行检测微调”​ 的两阶段框架。它巧妙地利用无需3D标注的图片（如视频帧）​ 来教会一个扩散模型“理解3D几何”，然后将这个拥有了3D“大脑”的模型变成一个强大的3D目标检测器。
目标跟踪：在动态视频中“锁定”你
maqh_csdn的博客
12-29 1031
目标跟踪不是每一帧独立的“判断题”，而是跨越时间的“连续推理” 。它通过运动预测与外观记忆对抗遮挡与形变，在混乱的动态世界中实现目标的“身份锁定”，完成从静态识别到时序关联的认知进化。
【经典论文阅读】完整梳理 FCOS (Fully Convolutional One-Stage Object Detection)
最新发布
吾在学习路的博客
01-04 493
本文提出了一种无锚框的目标检测方法FCOS，通过逐像素预测边界框和类别，避免了传统检测器中锚框设计的复杂性。核心创新在于引入中心度（center-ness）分支，评估像素预测的质量，有效抑制边缘区域的低质量预测。实验表明，FCOS在COCO数据集上性能超越基于锚框的方法（如RetinaNet），且具有更高的召回率和回归精度。该方法统一了目标检测与语义分割的密集预测范式，为检测任务提供了更简洁高效的解决方案。可视化分析和消融实验验证了中心度机制的关键作用，以及该方法处理重叠目标和多尺度检测的有效性。
目标检测与跟踪 （7）- YOLOv8 ONNX量化模型部署指南
Techblog of HaoWANG
12-31 498
本文介绍了YOLOv8模型从训练到ONNX量化部署的完整流程。主要内容包括：1）环境准备与模型导出为ONNX格式；2）ONNX模型的FP16/INT8量化方法；3）使用ONNXRuntime和TensorRT的部署实现；4）性能优化策略如IO绑定和批处理；5）完整的部署脚本和注意事项。该方案支持静态和动态输入尺寸，提供多种量化精度选择，并包含基准测试功能，适用于边缘计算和嵌入式设备部署场景。
CVPR 2022官方代码：连续测试时域适应技术
资源摘要信息:"本压缩包内包含的是关于持续测试时领域自适应（Continual Test-Time Domain Adaptation）的官方代码库，该代码库发表于计算机视觉和模式识别会议（CVPR）2022。该代码库中不仅包含了针对分类和分割...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

二苏旧局吖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值