Gradual Test-Time Adaptation by Self-Training and Style Transfer

要約

テスト時のドメイン シフトは、実際には避けられません。
テスト時の適応は、展開中にモデルを適応させることで、この問題に対処します。
最近の研究では、セルフトレーニングが段階的なドメインシフトの設定において強力な方法になり得ることが理論的に示されました。
この作業では、段階的なドメイン適応とテスト時間適応の間の自然なつながりを示します。
CarlaTTA と呼ばれる新しい合成データセットを公開します。これにより、テスト時間中の段階的なドメイン シフトを調査し、教師なしドメイン適応とテスト時間適応の分野でいくつかの方法を評価できます。
セルフトレーニングとスタイルトランスファーに基づいた新しいメソッド GTTA を提案します。
GTTA は段階的なドメイン シフトを明示的に活用し、この分野で新しい標準を設定します。
さらに、継続的および段階的な CIFAR10C、CIFAR100C、および ImageNet-C ベンチマークでの方法の有効性を示します。

要約(オリジナル)

Domain shifts at test-time are inevitable in practice. Test-time adaptation addresses this problem by adapting the model during deployment. Recent work theoretically showed that self-training can be a strong method in the setting of gradual domain shifts. In this work we show the natural connection between gradual domain adaptation and test-time adaptation. We publish a new synthetic dataset called CarlaTTA that allows to explore gradual domain shifts during test-time and evaluate several methods in the area of unsupervised domain adaptation and test-time adaptation. We propose a new method GTTA that is based on self-training and style transfer. GTTA explicitly exploits gradual domain shifts and sets a new standard in this area. We further demonstrate the effectiveness of our method on the continual and gradual CIFAR10C, CIFAR100C, and ImageNet-C benchmark.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google