文章目錄

• 2021
• • TENT: FULLY TEST-TIME ADAPTATION BY ENTROPY MINIMIZATION
• 2022
• • On-the-Fly Test-time Adaptation for Medical Image Segmentation

2021

TENT: FULLY TEST-TIME ADAPTATION BY ENTROPY MINIMIZATION

code: https://github.com/DequanWang/tent

摘要： 在測試過程中，一個模型必須調整自己，以推廣到新的和不同的數據。在這種完全測試時間自適應的設置下，模型只有測試數據及其自己的參數。我們建議通過測試熵最小化(tten1)來適應：我們通過模型的預測的熵來優化置信度。我們的方法估計歸一化統計和優化通道仿射轉換，以在線更新每批。帳篷減少了損壞的ImageNet和CIFAR-10/100上圖像分類的泛化錯誤，并在ImageNet-C上達到一個新的最先進的錯誤。帳篷處理從SVHN到MNIST/MNIST/M/USPS的數字識別，從俠盜獵車手到城市景觀的語義分割，以及VisDA-C基準上的無源域適應。這些結果是在測試時間優化的一個時期內實現的，而不改變訓練。

2022

On-the-Fly Test-time Adaptation for Medical Image Segmentation

code: https://github.com/jeya-maria-jose/on-the-fly-adaptation

摘要： 基于深度學習的醫學成像解決方案的一個主要問題是，當一個模型在不同于其訓練的數據分布上進行測試時，性能下降。將源模型適應于測試時的目標數據分布是解決數據移位問題的一種有效的解決方案。以前的方法通過使用熵最小化或正則化等技術將模型適應于目標分布來解決這個問題。在這些方法中，模型仍然通過使用完整測試數據分布的無監督損失反向傳播更新。在現實世界的臨床環境中，實時將模型適應于新的測試圖像更有意義，并避免在推理過程中由于隱私問題和部署時缺乏計算資源而導致的模型更新。為此，我們提出了一種新的設置-動態適應，它是零鏡頭和情景性的（即，該模型一次適應于單個圖像，并且在測試期間也不執行任何反向傳播）。為了實現這一點，我們提出了一個新的自適應UNet框架，其中每個卷積塊都配備了一個自適應的批處理歸一化層，以適應相對于域代碼的特征。域代碼是使用在大量醫學圖像語料庫上訓練的預先訓練的編碼器生成的。在測試期間，模型只接受新的測試圖像，并根據測試數據生成一個域代碼來適應源模型的特征。我們驗證了在二維和三維數據分布變化上的性能，與以前的測試時間自適應方法相比，我們獲得了更好的性能。

總結

以上是生活随笔為你收集整理的Test-time Adaptation论文合集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。