論文の概要: TestMate: Test-Time Domain Adaptation Aided by Lightweight Vision Foundation Model

• arxiv url: http://arxiv.org/abs/2607.03810v1
• Date: Sat, 04 Jul 2026 10:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.728439
• Title: TestMate: Test-Time Domain Adaptation Aided by Lightweight Vision Foundation Model
• Title（参考訳）: TestMate: 軽量ビジョンファウンデーションモデルによるテスト時間ドメイン適応
• Abstract要約: Test-Time Domain Adaptation (TTDA)は、ストリーミングされた未ラベルのテストデータのみをリアルタイムで使用することで、Deep Neural Networksを分散シフトに適応させることを目的としている。 これらの問題を克服する新しい、リアルタイムかつバックプロパゲーションフリーなTTDAフレームワークであるTestMateを紹介します。
• 参考スコア（独自算出の注目度）: 21.331953401986322
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-Time Domain Adaptation (TTDA) aims to adapt Deep Neural Networks to distribution shifts using only streaming, unlabeled test data in real time. Current methods for semantic segmentation tasks suffer from critical limitations. Entropy minimization techniques require costly backpropagation, risking catastrophic forgetting and producing noisy segmentation boundaries. Memory-bank methods, while backpropagation-free, exhibit slow adaptation, requiring numerous samples to converge and struggle to handle continuous domain shifts. We introduce TestMate, a novel, real-time, and backpropagation-free TTDA framework that overcomes these issues. TestMate leverages generalization capability of a lightweight Visual Foundation Model to guide the adaptation. We use a zero-shot instance segmentation YOLOv8-seg based model to generate unlabeled mask proposals for objects and their parts at multiple scales in real time. These proposals are fused with the primary model via a heuristic, size-ordered competitive scheme, where small, high-confidence regions dominate and refine predictions in surrounding larger, less certain areas. This paremeter-free mechanism enables immediate adaptation from the first frame, inherently avoids catastrophic forgetting and effectively preserves fine object details and boundaries, even for small objects. TestMate can be used as a standalone, efficient refinement module or seamlessly integrated into existing TTDA methods to significantly boost their performance. We demonstrate state-of-the-art results across two benchmark datasets, proving TestMate's effectiveness in three distinct adaptation tasks: TTDA, Source-Free Domain Adaptation (SFDA), and online-TTDA. Code is available.
• Abstract（参考訳）: Test-Time Domain Adaptation (TTDA)は、ストリーミングされた未ラベルのテストデータのみをリアルタイムで使用することで、Deep Neural Networksを分散シフトに適応させることを目的としている。 セマンティックセグメンテーションタスクの現在の方法は、限界に悩まされている。 エントロピーの最小化技術は、コストのかかるバックプロパゲーション、破滅的な忘れ込み、ノイズのあるセグメンテーション境界を生み出すリスクを必要とする。 メモリバンク法は、バックプロパゲーションフリーでは遅い適応を示し、多くのサンプルを収束させ、継続的なドメインシフトを扱うのに苦労する。 これらの問題を克服する新しい、リアルタイムかつバックプロパゲーションフリーなTTDAフレームワークであるTestMateを紹介します。 TestMateは、軽量なVisual Foundation Modelの一般化機能を活用して、適応をガイドする。 我々は、ゼロショットのインスタンスセグメンテーション YOLOv8-seg ベースのモデルを用いて、オブジェクトとその部分のラベル付けされていないマスク提案を、リアルタイムで複数スケールで生成する。 これらの提案は、小規模で高信頼な領域が支配的であり、周囲のより大規模な、より少ない領域での予測を洗練する、ヒューリスティックで規模順の競争スキームを通じて、主要なモデルと融合している。 このパリメータフリー機構は、第1フレームからの即時適応を可能にし、本質的に破滅的な忘れを回避し、小さなオブジェクトであっても、細かなオブジェクトの詳細と境界を効果的に保存する。 TestMateはスタンドアロンで効率的な改善モジュールとして、あるいは既存のTTDAメソッドにシームレスに統合することで、パフォーマンスを大幅に向上することができる。 TTDA, Source-Free Domain Adaptation (SFDA), Online-TTDAの3つの異なる適応タスクにおいて, TestMateの有効性を証明する。 コードは利用可能。

関連論文リスト

• Reliable Neural Collapse Approximation for Open-World Test-Time Adaptation [95.55552104238787]
  Test-Time Adaptation (TTA)メソッドは、ソースとターゲットドメイン間のドメインギャップを埋めることを目的としている。 従来のTTA法はラベルの分布シフトが発生すると効果が低下する。 オープンワールドテスト時間適応のためのReliable Neural Collapse approximation (ReNC) という新しい手法を提案する。
  論文  参考訳（メタデータ） (2026-08-20T10:57:44Z)
• Pretrain-then-Adapt: Uncertainty-Aware Test-Time Adaptation for Text-based Person Search [26.52140212357349]
  テキストベースの人物検索は、厳格なプライバシー制約と手動アノテーションの高コストによって引き起こされるデータ不足により、固有の制限に直面している。 既存の手法は通常、合成人体カプセルデータに基づいてモデルを事前訓練するPretrain-then-Finetuneパラダイムに依存している。 オフラインテスト時間適応方式により、広範囲なターゲットドメインの監視に依存しない新しいPretrain-then-Adaptパラダイムを提案する。
  論文  参考訳（メタデータ） (2026-04-07T07:48:15Z)
• Audio-Visual Continual Test-Time Adaptation without Forgetting [28.411642462831647]
  連続的なテスト時間適応は、テスト時にソースオーディオ視覚モデルを継続的に適応させることを含む。 本稿では,ソースデータにアクセスすることなく,テスト時間の性能を向上させる手法として,texttAV-CTTA$を提案する。
  論文  参考訳（メタデータ） (2026-02-20T04:55:01Z)
• ReservoirTTA: Prolonged Test-time Adaptation for Evolving and Recurring Domains [25.075869018443925]
  ReservoirTTAは、長期間のテスト時間適応のために設計された新しいプラグインフレームワークである。 中心となるReservoirTTAはドメイン特化モデルの貯水池を維持している。 理論的解析により,パラメータの分散を束縛し,モデル崩壊を防ぐ重要な要素が明らかになった。
  論文  参考訳（メタデータ） (2025-05-20T15:39:20Z)
• Enhancing Test Time Adaptation with Few-shot Guidance [62.49199492255226]
  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)
• Active Test-Time Adaptation: Theoretical Analyses and An Algorithm [51.84691955495693]
  テスト時間適応(TTA)は、教師なし設定でストリーミングテストデータの分散シフトに対処する。 完全TTA設定内に能動学習を統合する能動テスト時間適応(ATTA)の新たな問題設定を提案する。
  論文  参考訳（メタデータ） (2024-04-07T22:31:34Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• AR-TTA: A Simple Method for Real-World Continual Test-Time Adaptation [1.4530711901349282]
  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。 モデル安定性を高めるために、小さなメモリバッファを組み込むことで、確立された自己学習フレームワークを強化する。
  論文  参考訳（メタデータ） (2023-09-18T19:34:23Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。