論文の概要: Gradual Test-Time Adaptation by Self-Training and Style Transfer
- arxiv url: http://arxiv.org/abs/2208.07736v1
- Date: Tue, 16 Aug 2022 13:12:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-17 12:36:20.976137
- Title: Gradual Test-Time Adaptation by Self-Training and Style Transfer
- Title(参考訳): 自己学習とスタイル伝達による経時的テスト時間適応
- Authors: Robert A. Marsden, Mario D\"obler, and Bin Yang
- Abstract要約: 段階的ドメイン適応とテスト時間適応の自然な関係を示す。
本稿では,自己学習とスタイル伝達に基づく新しい手法を提案する。
CIFAR10C, CIFAR100C, ImageNet-Cベンチマークにおける本手法の有効性を示す。
- 参考スコア(独自算出の注目度): 5.110894308882439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain shifts at test-time are inevitable in practice. Test-time adaptation
addresses this problem by adapting the model during deployment. Recent work
theoretically showed that self-training can be a strong method in the setting
of gradual domain shifts. In this work we show the natural connection between
gradual domain adaptation and test-time adaptation. We publish a new synthetic
dataset called CarlaTTA that allows to explore gradual domain shifts during
test-time and evaluate several methods in the area of unsupervised domain
adaptation and test-time adaptation. We propose a new method GTTA that is based
on self-training and style transfer. GTTA explicitly exploits gradual domain
shifts and sets a new standard in this area. We further demonstrate the
effectiveness of our method on the continual and gradual CIFAR10C, CIFAR100C,
and ImageNet-C benchmark.
- Abstract(参考訳): テスト時のドメインシフトは、実際には避けられない。
テスト時の適応は、デプロイ中にモデルを適用することでこの問題に対処する。
近年の研究では、段階的なドメインシフトの設定において、自己学習が強力な方法であることが理論的に示されている。
本研究では,段階的適応とテスト時間適応の自然な関係を示す。
我々はCarlaTTAと呼ばれる新しい合成データセットを公開し、テスト時間中に段階的なドメインシフトを探索し、教師なし領域適応とテスト時間適応の分野でいくつかの手法を評価する。
本稿では,自己学習とスタイル伝達に基づく新しいGTTAを提案する。
GTTAは段階的なドメインシフトを明示的に活用し、この分野で新しい標準を設定する。
さらに, CIFAR10C, CIFAR100C, ImageNet-Cベンチマークにおける提案手法の有効性を示す。
関連論文リスト
- What, How, and When Should Object Detectors Update in Continually
Changing Test Domains? [34.13756022890991]
テストデータを推測しながらモデルをオンラインに適応させるテスト時適応アルゴリズムが提案されている。
連続的に変化するテスト領域におけるオブジェクト検出のための新しいオンライン適応手法を提案する。
提案手法は,広く使用されているベンチマークのベースラインを超え,最大4.9%,mAP7.9%の改善を実現している。
論文 参考訳(メタデータ) (2023-12-12T07:13:08Z) - AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [16.85284386728494]
本稿では,自律運転のためのデータセット,すなわちCLAD-CとShiFTを用いたテスト時間適応手法の検証を提案する。
現在のテスト時間適応手法は、ドメインシフトの様々な程度を効果的に扱うのに苦労している。
提案手法はAR-TTAと呼ばれ、合成およびより現実的なベンチマークにおいて既存の手法よりも優れている。
論文 参考訳(メタデータ) (2023-09-18T19:34:23Z) - ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。
我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。
提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
論文 参考訳(メタデータ) (2023-06-07T11:18:53Z) - Evaluating Continual Test-Time Adaptation for Contextual and Semantic
Domain Shifts [3.4161707164978137]
我々は、事前訓練された畳み込みニューラルネットワークをテスト時にドメインシフトに適用する。
ドメインシフトの現実的および挑戦的な2つの源、すなわちコンテキストシフトとセマンティックシフトに基づいて、技術の現状を評価する。
テスト時間適応法は、意味的シフトよりも文脈的シフトの方が優れ、忘れがちである。
論文 参考訳(メタデータ) (2022-08-18T11:05:55Z) - Towards Online Domain Adaptive Object Detection [79.89082006155135]
既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。
オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
論文 参考訳(メタデータ) (2022-04-11T17:47:22Z) - Learning Instance-Specific Adaptation for Cross-Domain Segmentation [79.61787982393238]
クロスドメイン画像セグメンテーションのためのテスト時間適応法を提案する。
テスト時に新しい目に見えないインスタンスが与えられると、インスタンス固有のBatchNormキャリブレーションを実行することで、事前トレーニングされたモデルを適用します。
論文 参考訳(メタデータ) (2022-03-30T17:59:45Z) - Test time Adaptation through Perturbation Robustness [1.52292571922932]
私たちは、推論時にドメインシフトに適応する問題に取り組みます。
トレーニングプロセスを変更するのではなく、テスト時にモデルを迅速に適用して、ドメインシフトを処理します。
我々の手法は、以前の方法と同等か、あるいは著しく上回っている。
論文 参考訳(メタデータ) (2021-10-19T20:00:58Z) - Unsupervised Domain Adaptation for Spatio-Temporal Action Localization [69.12982544509427]
S時間動作の局所化はコンピュータビジョンにおいて重要な問題である。
本稿では、エンドツーエンドの教師なしドメイン適応アルゴリズムを提案する。
空間的特徴と時間的特徴を別々にあるいは共同的に適応した場合に,顕著な性能向上が達成できることを示す。
論文 参考訳(メタデータ) (2020-10-19T04:25:10Z) - Class-Incremental Domain Adaptation [56.72064953133832]
私たちは、CIDA(Class-Incremental Domain Adaptation)と呼ばれる実践的ドメイン適応(DA)パラダイムを導入します。
既存のDAメソッドはドメインシフトに取り組むが、新しいターゲットドメインクラスを学ぶのには適さない。
提案手法は,CIDAパラダイムにおけるDAメソッドとCIメソッドの両方と比較して,優れた性能が得られる。
論文 参考訳(メタデータ) (2020-08-04T07:55:03Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳(メタデータ) (2020-07-06T17:59:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。