Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation

要約

継続的テスト時間適応 (CTTA) には、事前トレーニングされたソース モデルを、継続的に変化する監視されていないターゲット ドメインに適応させることが含まれます。
この論文では、このタスクの課題、つまりオンライン環境、監視されていない性質、継続的なドメインの変更下でのエラーの蓄積と壊滅的な忘却のリスクを体系的に分析します。
これらの課題に対処するために、CTTA のオンライン データ バッファリングと編成メカニズムを再構築しました。
私たちは、教師なしのシングルパス データ ストリームから重要なサンプルを高い確実性で特定し、集約するための、{不確実性を認識したバッファリング アプローチ} を提案します。
{これに基づいて}、壊滅的な忘却を克服するために、グラフベースのクラス関係保存制約を提案します。
さらに、疑似ターゲット再生目標を使用して、エラーの蓄積を軽減します。
広範な実験により、セグメンテーションと分類 CTTA タスクの両方における私たちの方法の優位性が実証されています。
コードは \href{https://github.com/z1358/OBAO}{この https URL} で入手できます。

要約(オリジナル)

Continual Test-Time Adaptation (CTTA) involves adapting a pre-trained source model to continually changing unsupervised target domains. In this paper, we systematically analyze the challenges of this task: online environment, unsupervised nature, and the risks of error accumulation and catastrophic forgetting under continual domain shifts. To address these challenges, we reshape the online data buffering and organizing mechanism for CTTA. We propose an {uncertainty-aware buffering approach} to identify {and aggregate} significant samples with high certainty from the unsupervised, single-pass data stream. {Based on this}, we propose a graph-based class relation preservation constraint to overcome catastrophic forgetting. Furthermore, a pseudo-target replay objective is used to mitigate error accumulation. Extensive experiments demonstrate the superiority of our method in both segmentation and classification CTTA tasks. Code is available at \href{https://github.com/z1358/OBAO}{this https URL}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google