最初接触 CVPR2024 TEA: Test-time Energy Adaptation
B站\](1:35:00-1:53:00)[https://www.bilibili.com/video/BV1wx4y1v7Jb/?spm_id_from=333.788\&vd_source=145b0308ef7fee4449f12e1adb7b9de2](https://www.bilibili.com/video/BV1wx4y1v7Jb/?spm_id_from=333.788&vd_source=145b0308ef7fee4449f12e1adb7b9de2) 实现: 1. 读取预训练好的模型参数 2. 设计需要更新的模型参数,其他模块不进行梯度更新 3. 设计辅助任务进行测试时间的模型更新 #### 论文列表--待更新 * [Contrastive Test-Time Adaptation(CVPR 2022)](#Contrastive Test-Time Adaptation(CVPR 2022)) * [Improved Test-Time Adaptation for Domain Generalization(CVPR 2023)](#Improved Test-Time Adaptation for Domain Generalization(CVPR 2023)) * [SoTTA: Robust Test-Time Adaptation on Noisy Data Streams(NeurIPS 2023)](#SoTTA: Robust Test-Time Adaptation on Noisy Data Streams(NeurIPS 2023)) * [Feature Alignment and Uniformity for Test Time Adaptation(CVPR 2023)](#Feature Alignment and Uniformity for Test Time Adaptation(CVPR 2023)) * [A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts(arXiv 2023)](#A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts(arXiv 2023)) * [TEA: Test-time Energy Adaptation(CVPR 2024)](#TEA: Test-time Energy Adaptation(CVPR 2024)) ## Contrastive Test-Time Adaptation(CVPR 2022) 缩写:CoTTA 在测试时适应过程中将自监督对比学习与自我训练相结合。 [PDF](https://arxiv.org/pdf/2204.10377) [Code](https://github.com/DianCh/AdaContrast)  这个方法是利用对比学习的Moco为基本框架。主要流程如下图所示。 ![对比测试时适应方法(AdaContrast)的框架:在适应开始时,模型和动量模型由源模型初始化。目标图像由一个弱增强和两个强增强转换。(a) 弱增强图像被编码为特征向量 w,用于根据与目标特征空间的余弦距离查找最近邻,该空间作为内存队列进行维护。对相关概率进行平均,然后进行 argmax 以获得用于自我训练和对比学习的精细伪标签 ˆ y。(b)将图像的两个强增强版本编码为动量对比度的查询和关键特征q,k\[6,17\],与自训练联合应用。不使用投影头;当前伪标签和历史伪标签用于排除同类负对。(c) 从弱增强图像中获得的伪标签 ˆ y 也用于监督强增强图像的预测,从而加强自训练中的弱-强一致性。多样性正则化也基于相同的预测。请注意,用于最近邻搜索和对比学习的队列是分开的,它们分别使用 w 和 k 进行更新(此处未说明)。](https://file.jishuzhan.net/article/1785523567660634113/92cde398cc40e24991675c37f07f4305.webp) 基本流程是: 对输入图片进行一次弱增强,两次强增强,分别输入到不同的编码器中。弱增强经过encoder得到的伪标签对强增强的输出进行监督。 弱图像增强获得的样本进入经过源模型参数初始化的encoder中获得概率分布,这个概率分布与内存队列中的概率分布计算距离,使用K个临近的概率分布的平均值作为当前样本的输出的概率分布,进行argmax变成用于自训练和对比学习的伪标签,然后当前样本的概率分布对内存队列进行更新。 两个强增强得到的输入进入Moco,一个是Encoder得到query,一个是momentum encoder得到key。momentum得到的key对key队列进行更新,利用伪标签的值mask相同类别的key,只是对不同类别进行对比学习(就是不会让正样本和正样本进行对比)。其余操作与Moco相同。 损失函数:weak aug输出作为伪标签进行监督的的CE Loss,一个CTR对比学习Loss,一个均匀分布Loss(防止错误的伪标签对模型造成不利影响,同时提高模型输出的多样性) ## Improved Test-Time Adaptation for Domain Generalization(CVPR 2023) [PDF](https://arxiv.org/pdf/2304.04494) [Code](https://github.com/liangchen527/itta) 目前TTA遇到的困难是: 1. 辅助任务设计很困难,辅助任务设计不好,与原来损失如果不匹配,使用TTA性能会下降。目前大多设计一个看起来比较合理的辅助任务。 2. 模型需要更新的参数设计也比较复杂,更新哪个模块设计比较困难。 主要是应用一致性损失。 ![ITTA的训练过程。我们使用源域中的 x 作为特征提取器 fθ(·) 的输入来获得表示 z 及其增强版本 z′,其中应用了 \[74\] 中的增强技能。分类器 fφ(·) 和权重子网 fw(·) 用于计算主损失 Lmain 和可学习一致性损失 Lwcont。详情请参阅我们的文字。](https://file.jishuzhan.net/article/1785523567660634113/d631c9690d1587d511fd6f00a682f42b.webp)  在每个block后面加入自适应模块。改动模块的激活层得到两个不同的特征,这两个特征的差经过fw之后要接近于0。其中胖一点的Θ是要更新的参数,瘦一点的θ是模型原来的参数这个是不在测试时间进行改变的。 ## SoTTA: Robust Test-Time Adaptation on Noisy Data Streams(NeurIPS 2023) [PDF](https://arxiv.org/pdf/2310.10074) [Code](https://github.com/taeckyung/SoTTA) 观察:如果测试集中有noise、对抗性样本等,TTA的性能会直线下降。 问题:现有的TTA方法都无可避免的适应了混杂在测试数据中的不好的样本,导致模型性能下降。   创新点: 1. 高置信度均匀采样,选取良性样本进行memory更新。 2. 熵锐度最小化,实现模型参数鲁棒性。 观察:噪声样本和良性样本的区别可以通过模型输出观察到。 memory更新:对数据进行筛选更新,保持memory中样本类别相对平衡有代表性,噪声低。 Loss函数:熵的一阶泰勒,使模型扰动前后保持不变。 ## Feature Alignment and Uniformity for Test Time Adaptation(CVPR 2023) [PDF](https://arxiv.org/pdf/2303.10902) [Code](https://github.com/SakurajimaMaiii/TSD) 缩写:TSD 测试时间自蒸馏 首先将 TTA 作为功能修订问题来解决,因为源域和目标域之间存在域间隙。之后,按照两个测量对齐和均匀性来讨论测试时间特征修订。对于测试时间特征的均匀性,提出了一种测试时间自蒸馏策略,以保证当前批次和之前所有批次表示之间的均匀性一致性。对于测试时特征对齐,提出了一种记忆空间局部聚类策略,以对齐即将到来的批次的邻域样本之间的表示。为了解决常见的噪声标签问题,提出了熵和一致性滤波器来选择和删除可能的噪声标签。  分类模型与原型模型输出的一致性。 我的理解,MSLC是对原型分类模型中的feature和Logits进行更新(更新原型向量,如果分类预测与原型预测一致,则让临近的原型向量与当前得到的特征更加接近,否则就远离,动量更新),TSD是计算分类模型和原型模型输出的一致性损失(为了防止原型模型输出的噪声先经过过滤器再计算CE Loss)。 ## A Comprehensive Survey on Test-Time Adaptation under Distribution Shifts(arXiv 2023) [PDF](https://arxiv.org/pdf/2303.15361) [github](https://github.com/tim-learn/awesome-test-time-adaptation)综述(没看完)  TTT:有Training data,可以改变模型训练的策略,重新训练一个新的模型。 TTA:只有预训练好的模型和测试数据。 这篇综述也说了一些相关的领域,比如自监督、半监督、领域泛化、领域适应、测试增强、迁移学习、持续学习等,对概念理解有帮助。 ## TEA: Test-time Energy Adaptation(CVPR 2024) [PDF](https://arxiv.org/pdf/2311.14402) [Code](https://github.com/yuanyige/tea) 缩写:TEA 观察:Test data的能量越低,测试的准确率越高。   让模型自行感知,以降低测试样本的能量,提高模型的泛化能力。 1. 把分类器做成一个能量模型。 2. 从模型中采样能量低的伪样本,提高伪样本的能量,降低测试数据的能量。 看代码就是:从模型中采样能量低的伪样本,初始化得到一个输入,进入模型中得到梯度,根据梯度更新获得大致的局部最小值,作为伪样本,也就是模型中能量低的样本。