通道选择性归一化的标签偏移稳定测试时自适应
原文中文，约200字，阅读约需1分钟。发表于：。通过有选择性地调整深度神经网络中的通道，以降低对标签分布的敏感性，我们在三个分类任务中应用了这一方法，并发现它在减少其他方法的失败风险的同时，能够显著提高测试时间自适应的效果，同时对超参数的选择具有鲁棒性。
本文提出了一种基于alpha-BN的测试时间适应框架Core，通过混合源和目标统计信息来校准批次统计量以缓解域漂移并保留区分结构。实验证明该方法在12个数据集上实现了最先进的性能，包括图像分类和语义分割。特别地，在没有任何训练的情况下，alpha-BN改进了28.4%至43.9%，甚至超过了最新的源无关域自适应方法。
