論文の概要: UniTTA: Unified Benchmark and Versatile Framework Towards Realistic Test-Time Adaptation

• arxiv url: http://arxiv.org/abs/2407.20080v1
• Date: Mon, 29 Jul 2024 15:04:53 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 13:24:58.380759
• Title: UniTTA: Unified Benchmark and Versatile Framework Towards Realistic Test-Time Adaptation
• Title（参考訳）: UniTTA: 現実的なテスト時間適応に向けたベンチマークとVersatileフレームワークの統合
• Authors: Chaoqun Du, Yulin Wang, Jiayi Guo, Yizeng Han, Jie Zhou, Gao Huang,
• Abstract要約: Test-Time Adaptationは、テスト中にトレーニング済みのモデルを対象のドメインに適応させることを目的としている。 研究者は様々な挑戦シナリオを特定し、これらの課題に対処するための様々な方法を開発した。 本稿では,包括的かつ広く適用可能な統一テスト時間適応ベンチマークを提案する。
• 参考スコア（独自算出の注目度）: 66.05528698010697
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Test-Time Adaptation (TTA) aims to adapt pre-trained models to the target domain during testing. In reality, this adaptability can be influenced by multiple factors. Researchers have identified various challenging scenarios and developed diverse methods to address these challenges, such as dealing with continual domain shifts, mixed domains, and temporally correlated or imbalanced class distributions. Despite these efforts, a unified and comprehensive benchmark has yet to be established. To this end, we propose a Unified Test-Time Adaptation (UniTTA) benchmark, which is comprehensive and widely applicable. Each scenario within the benchmark is fully described by a Markov state transition matrix for sampling from the original dataset. The UniTTA benchmark considers both domain and class as two independent dimensions of data and addresses various combinations of imbalance/balance and i.i.d./non-i.i.d./continual conditions, covering a total of \( (2 \times 3)^2 = 36 \) scenarios. It establishes a comprehensive evaluation benchmark for realistic TTA and provides a guideline for practitioners to select the most suitable TTA method. Alongside this benchmark, we propose a versatile UniTTA framework, which includes a Balanced Domain Normalization (BDN) layer and a COrrelated Feature Adaptation (COFA) method--designed to mitigate distribution gaps in domain and class, respectively. Extensive experiments demonstrate that our UniTTA framework excels within the UniTTA benchmark and achieves state-of-the-art performance on average. Our code is available at \url{https://github.com/LeapLabTHU/UniTTA}.
• Abstract（参考訳）: テスト時間適応(TTA)は、テスト中にトレーニング済みのモデルをターゲットドメインに適応させることを目的としている。 実際には、この適応性は複数の要因に影響される可能性がある。 研究者は、連続的なドメインシフト、混合ドメイン、時間的相関あるいは不均衡なクラス分布など、様々な挑戦シナリオを特定し、これらの課題に対処する様々な方法を開発した。 これらの努力にもかかわらず、統一的で包括的なベンチマークはまだ確立されていない。 そこで本研究では,Unified Test-Time Adaptation (UniTTA) ベンチマークを提案する。 ベンチマーク内の各シナリオは、元のデータセットからサンプリングするためのMarkov状態遷移行列によって完全に記述されている。 UniTTAベンチマークは、ドメインとクラスの両方を2つの独立したデータ次元として捉え、不均衡/バランスの様々な組み合わせ、すなわち、(2 \times 3)^2 = 36 \) のシナリオを網羅した、d.d./non-i.d.d./continual conditionに対処する。 現実的なTTAのための総合的な評価ベンチマークを確立し、実践者が最も適したTTAメソッドを選択するためのガイドラインを提供する。 このベンチマークと並行して,バランスドメイン正規化(BDN)層とCOFA(COrrelated Feature Adaptation)メソッドを含む汎用UniTTAフレームワークを提案する。 大規模な実験により、我々のUniTTAフレームワークはUniTTAベンチマーク内で優れ、平均して最先端のパフォーマンスを実現していることが示された。 私たちのコードは \url{https://github.com/LeapLabTHU/UniTTA} で利用可能です。

関連論文リスト

• Enhancing Test Time Adaptation with Few-shot Guidance [35.13317598777832]
  深層ニューラルネットワークは、トレーニング(ソース)とテスト(ターゲット)データのドメインシフトに直面しながら、大きなパフォーマンス低下に直面することが多い。 TTA(Test Time Adaptation)法は,事前学習したソースモデルを用いて,配信外ストリーミングターゲットデータを処理する手法として提案されている。 本稿では,Few-Shot Test Time Adaptation (FS-TTA) を開発した。
  論文  参考訳（メタデータ） (2024-09-02T15:50:48Z)
• COMET: Contrastive Mean Teacher for Online Source-Free Universal Domain Adaptation [3.5139431332194198]
  現実世界のアプリケーションでは、トレーニングからテストデータへのドメインシフトが頻繁に発生します。 本稿では,このシナリオに合わせたコントラスト的平均教師(COMET)を紹介する。 COMETは最先端のパフォーマンスをもたらし、さまざまなシナリオで一貫性と堅牢性を示す。
  論文  参考訳（メタデータ） (2024-01-31T10:47:25Z)
• Towards Real-World Test-Time Adaptation: Tri-Net Self-Training with Balanced Normalization [52.03927261909813]
  既存の研究は、非I.d.データストリームと連続的なドメインシフトの下での実際のテスト時間適応を主に検討している。 我々は、最先端手法の失敗は、まず不均衡なテストデータに正規化層を無差別に適応させることによって生じると論じる。 TRIBEと呼ばれる最後のTTAモデルは、バランスの取れたバッチノーム層を持つトリネットアーキテクチャ上に構築されている。
  論文  参考訳（メタデータ） (2023-09-26T14:06:26Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• Benchmarking Test-Time Adaptation against Distribution Shifts in Image Classification [77.0114672086012]
  テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。 本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-07-06T16:59:53Z)
• On Pitfalls of Test-Time Adaptation [82.8392232222119]
  TTA(Test-Time Adaptation)は、分散シフトの下で堅牢性に取り組むための有望なアプローチとして登場した。 TTABは,10の最先端アルゴリズム,多種多様な分散シフト,および2つの評価プロトコルを含むテスト時間適応ベンチマークである。
  論文  参考訳（メタデータ） (2023-06-06T09:35:29Z)
• Robust Continual Test-time Adaptation: Instance-aware BN and Prediction-balanced Memory [58.72445309519892]
  テストデータストリーム以外のデータストリームに対して堅牢な新しいテスト時間適応方式を提案する。 a)分布外サンプルの正規化を修正するIABN(Instance-Aware Batch Normalization)と、(b)クラスバランスのない方法で非i.d.ストリームからのデータストリームをシミュレートするPBRS(Predict- Balanced Reservoir Sampling)である。
  論文  参考訳（メタデータ） (2022-08-10T03:05:46Z)

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。