学习视觉条件令牌以纠正完全测试时的领域偏移
原文中文，约1600字，阅读约需4分钟。
📝
内容提要
本文提出了一种基于视觉域提示的连续测试时间适应方法，以应对未标记目标域的变化。该方法结合域特定和域不可知提示，以及一致性策略，显著提升了模型在多个基准测试中的性能。此外，研究探讨了使用视觉变换器进行模型微调的有效性，并提出了领域知识提取和适应的新策略，展示了在不同数据集上的优越表现。
❓
Q&A
什么是连续测试时间适应方法？
连续测试时间适应方法是一种在不访问源数据的情况下，适应持续变化的未标记目标域的技术。
该方法如何提高模型性能？
该方法结合域特定提示和域不可知提示，并设计了一种基于一致性的提示自适应策略，显著提升了模型在多个基准测试中的性能。
视觉变换器在该研究中的作用是什么？
视觉变换器用于对转换图像进行模型微调，防止模型准确度下降，并在加密图像的情况下保持性能。
什么是领域知识提取？
领域知识提取是通过建立知识库和使用领域特定提示生成器等技术，从有限数据中提取领域相关信息的过程。
该研究提出了哪些新策略？
研究提出了Continual Test-Time Adaptation (CTTA)任务、Visual Domain Adapter (ViDA)和Homeostatic Knowledge Allotment (HKA)策略等新策略。
如何解决输入域转移问题？
通过引入基于向量量化的特征向量作为视觉分类网络输入，并使用TokenAdapt和ColorAdapt等数据增强策略来解决输入域转移问题。
🏷️
