开放世界测试段训练方法研究：如何提高模型泛化能力？

🆕最新资讯🆕
提高模型泛化能力是推动基于视觉的感知方法落地的重要基础。测试段训练和适应通过在测试段调整模型参数权重，将模型泛化至未知的目标域数据分布段。本文介绍了一种基于动态原型扩展的自训练方法，可以在开放世界环境下改进测试段训练的性能。首先，通过自适应阈值的强域外数据样本过滤方法，提高了自训练方法的鲁棒性。然后，引入了动态扩展原型来表征强域外样本，以改进弱/强域外数据的分离效果。最后，通过分布对齐来约束自训练。该方法在多个开放世界测试段训练基准上实现了最优的性能表现，并为后续研究探索更鲁棒的测试段训练方法提供了新方向。详细内容请阅读原文：[链接]
来源：https://www.jiqizhixin.com/