Dynamically Instance-Guided Adaptation: A Backward-free Approach for Test-Time Domain Adaptive Semantic Segmentation
Notice bibliographique
Résumé
In this paper, we study the application of Test-time<br> domain adaptation in semantic segmentation (TTDA-Seg)<br> where both efficiency and effectiveness are crucial. Existing<br> methods either have low efficiency (e.g., backward optimization)<br> or ignore semantic adaptation (e.g., distribution<br> alignment). Besides, they would suffer from the accumulated<br> errors caused by unstable optimization and abnormal<br> distributions. To solve these problems, we propose a novel<br> backward-free approach for TTDA-Seg, called Dynamically<br> Instance-Guided Adaptation (DIGA). Our principle is utilizing<br> each instance to dynamically guide its own adaptation<br> in a non-parametric way, which avoids the error accumulation<br> issue and expensive optimizing cost. Specifically,<br> DIGA is composed of a distribution adaptation module<br> (DAM) and a semantic adaptation module (SAM), enabling<br> us to jointly adapt the model in two indispensable<br> aspects. DAM mixes the instance and source BN statistics to encourage the model to capture robust representation. SAM<br> combines the historical prototypes with instance-level prototypes<br> to adjust semantic predictions, which can be associated<br> with the parametric classifier to mutually benefit the<br> final results. Extensive experiments evaluated on five target<br> domains demonstrate the effectiveness and efficiency of the<br> proposed method. Our DIGA establishes new state-of-theart<br> performance in TTDA-Seg. Source code is available at:<br> https://github.com/Waybaba/DIGA.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,004 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».