在线测试时适应中的领域变化校正的双路径对抗提升
原文中文，约200字，阅读约需1分钟。发表于：。本研究针对当前变换器模型的测试时适应方法效率不足的问题，提出了一种双路径令牌提升方法，以校正领域变化。通过引入多个层次的领域变化令牌，并在预测与更新网络间进行对抗式学习，显著提升了在线完全测试时的领域适应性能。
本文介绍了基于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。alpha-BN的改进效果达到了28.4％至43.9％，超过了最新的源无关域自适应方法。
