.png){kind=icon}
返回
Shift-level regulated continual test-time adaptation framework
.png){kind=icon}
PRE
AI
DOI：10.1007/s10618-026-01222-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
持续测试时自适应（CTTA）是部署模型在测试环境中适应具有潜在分布漂移的大规模数据流以维持长期泛化性的任务。当前研究主要关注灾难性遗忘和错误累积两大挑战，而对自适应效率关注较少。此外，尽管分布漂移以多种形式存在，现有方法常忽略漂移类型差异，依赖统一的优化策略且对漂移程度不敏感，导致对轻微漂移过拟合、对严重漂移适应性不足。为解决上述问题，提出一种基于漂移级别调控的持续测试时自适应框架（SLRF），用于确定漂移级别并从预设计策略集中选择最适配的自适应策略。SLRF主要由两个模块构成：自适应漂移级别检测器（ASLD）和自适应策略决策模块（ASDM）。ASLD考虑分布漂移对泛化性与自适应性的双重影响，将漂移级别分为对齐、弱漂移和强漂移三类。基于ASLD可靠结果，ASDM依据检测标准选择高效自适应策略：利用对齐样本维持长期适应性；使用弱漂移样本提升泛化性；利用强漂移样本进行领域对齐以避免错误累积并实现快速适应。此外，SLRF提供跨漂移场景平稳过渡机制及灾难性遗忘预防机制，同时保持低计算开销。在CIFAR10C、CIFAR100C和ImageNet-C上的广泛实验表明，SLRF在泛化性与适应性方面均取得优越性能。
Keyword:
Domain adaptation
Continual test-time adaptation
Online learning
Domain shift
期刊
IF:
4.3
论文数:
221
被引数:
6.0K
机构
引用论文
.png){kind=icon}
分享收藏Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation
OAAI
OAAI分享收藏EcoTTA: Memory-Efficient Continual Test-Time Adaptation via Self-Distilled RegularizationEcoTTA: 通过自蒸馏正则化实现高效的持续测试时间适应OAAI
OAAI分享收藏Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time AdaptationContinual-MAE：用于持续测试时自适应的自适应分布掩码自动编码器
PREAI
分享收藏分享收藏
查看更多内容