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

本文介绍了持续测试时间适应（CTTA）的概念，即将预先训练好的源模型适应不断变化的无监督目标域。我们系统地分析了这一任务的挑战：在线环境、无监督特性以及在持续域漂移下错误累积和灾难性遗忘的风险。为了解决这些问题，我们重新设计了CTTA的在线数据缓冲和组织机制。我们提出了一种基于不确定性的缓冲方法，从无监督单次数据流中识别和聚合高置信度的显著样本。基于此，我们提出了一种基于图的类关系保存约束来克服灾难性遗忘的方法。此外，我们使用伪目标重放目标来减轻错误累积。大量实验证明了我们的方法在分割和分类CTTA任务中的优越性。代码可在https://github.com/z1358/OBAO上找到。

本论文旨在解决Continual Test-Time Adaptation（CTTA）中的挑战，包括在线环境、无监督特性以及在持续领域转换下错误积累和灾难性遗忘的风险。

论文提出了一种基于不确定性的缓冲方法来识别和聚合来自无监督单次数据流的高确信度的重要样本。基于此，提出了基于图的类关系保持约束来克服灾难性遗忘。此外，使用伪目标回放目标来减轻错误积累。

论文设计了大量实验来验证提出方法的有效性，并在分割和分类CTTA任务中展示了其优越性。代码已经开源。

最近的相关研究包括Meta-Learning和Continual Learning等。