BriefGPT - AI 论文速递
·
零样本泛化的测试时间原型移动：与视觉语言模型
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了Decoupled Prototype Learning (DPL)方法，解决了使用伪标签进行交叉熵损失微调时受标签噪声影响的问题。通过基于内存的策略增强小批量处理的鲁棒性，并使用一致性正则化方法转移特征风格，提高测试时自适应的可靠性。实验证明该方法在领域泛化和图像破坏基准上取得了最先进的性能。
🎯
关键要点
- 提出了Decoupled Prototype Learning (DPL)方法，解决伪标签微调中的标签噪声问题。
- 引入基于内存的策略，增强小批量处理的鲁棒性。
- 使用一致性正则化方法转移特征风格，提高测试时自适应的可靠性。
- 实验结果显示该方法在领域泛化基准上取得最先进的性能。
- 该方法可靠提高图像破坏基准上基于自训练方法的性能。
➡️
