[论文阅读] 测试时间自适应TTA

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

实现：

读取预训练好的模型参数
设计需要更新的模型参数，其他模块不进行梯度更新
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 Code

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。

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 Code

目前TTA遇到的困难是：

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。
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。

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 Code

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：

高置信度均匀采样，选取良性样本进行memory更新。
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 Code

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 github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 Code

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。

把分类器做成一个能量模型。
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。