Exploring Test-Time Adaptation for Object Detection in Continually Changing Environments

神经网络模型通常应用于动态环境中的实际应用，其中目标域的分布会发生时间变化。连续测试时间自适应（CTTA）最近成为一种有前途的技术，可以逐渐使源训练模型适应不断变化的目标域测试数据。尽管近年来在解决CTTA方面取得了进展，但仍存在两个关键问题：1）现有方法中使用固定阈值进行伪标记会导致生成低质量的伪标记，因为模型置信度在类别和域之间变化；2）虽然当前解决方案利用随机参数恢复来减轻灾难性遗忘，但其保存关键信息的能力受到其固有的随机性的影响。为了解决这些挑战，我们提出了CTAOD，旨在增强CTTA场景中检测模型的性能。受先前CTTA工作的启发，CTAOD建立在平均教师框架上，具有三个核心组件。首先，针对目标检测量身定制的对象级对比学习模块使用教师的感兴趣区域特征提取对象级特征，并通过对比学习进行优化。其次，动态阈值策略基于预测置信度分数更新类别特定的阈值，以提高伪标记的质量。最后，我们设计了一种数据驱动的随机恢复机制，使用梯度作为随机掩码矩阵的权重，有选择地重置不活动的参数，从而确保关键知识的保留。我们在四个CTTA目标检测任务上展示了我们方法的有效性，其中CTAOD优于现有方法，特别是在Cityscapes-to-Cityscapes-C CTTA任务上实现了3.0 mAP的提升。

论文旨在解决在动态环境中，目标域分布不断变化的情况下，如何逐步适应源训练模型以适应测试数据的问题。

CTAOD框架包括三个核心组件：面向目标检测的物体级对比学习模块、动态阈值策略和基于梯度的随机恢复机制。其中，动态阈值策略可以提高伪标签的质量，而基于梯度的随机恢复机制可以选择性地重置不活跃的参数，以确保关键知识的保留。

论文在四个连续测试时间自适应任务中展示了CTAOD方法的有效性，尤其在Cityscapes-to-Cityscapes-C CTTA任务中取得了3.0 mAP的提升。此外，论文还提供了实验细节和开源代码。

与该论文相关的研究包括：Continual Learning、Continual Test-Time Adaptation、Mean-Teacher Framework等。