熵不足以实现测试时适应性:从解开因素的角度
原文约300字/词,阅读约需1分钟。发表于: 。通过研究发现,使用熵作为置信度指标在存在偏见的情况下对测试时间适应性方法 (TTA) 不可靠,因此引入了一种名为 “Destroy Your Object” (DeYO) 的新型 TTA 方法,它利用了一种名为 “Pseudo-Label Probability Difference” (PLPD) 的置信度指标,并通过选择样本和加权样本的方式进行鲁棒性适应,从而优于基准方法。
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。实验结果表明,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。