문서 둘러보기
Dynamic Head
Dynamic Head는 크기, 공간 위치, 과제의 차이를 어텐션으로 다루는 객체 검출 헤드 프레임워크다. 특징 수준과 위치, 출력 채널에서의 상호작용을 결합해 검출 표현을 구성한다.
Sparse R-CNN
Sparse R-CNN은 고정된 수의 학습 가능한 객체 후보로 이미지를 검출하는 방법이다. 많은 위치에 앵커를 배치하는 대신 희소한 후보 집합에서 분류와 위치를 예측하고 결과를 직접 출력한다.
Grid R-CNN
Grid R-CNN은 격자의 여러 점을 예측해 객체의 위치를 구하는 검출 프레임워크다. 다중 점의 공간 정보와 이웃 점 사이의 특징 결합을 이용해 경계 상자를 정밀하게 추정한다.
IoU-Net
IoU-Net은 검출 상자와 대응하는 정답 상자의 IoU를 예측해 위치 신뢰도를 학습하는 신경망이다. 객체 분류의 신뢰도와 별개로 위치 품질을 추정해 후보 선택과 상자 보정에 사용한다.
Double-Head R-CNN
Double-Head R-CNN은 객체 분류에 완전 연결 헤드를, 경계 상자 회귀에 합성곱 헤드를 사용하는 검출 방법이다. 서로 다른 과제에 적합한 예측 구조를 분석해 역할을 나눴다.
MegDet
MegDet은 큰 미니배치로 여러 GPU를 활용해 객체 검출기를 학습하는 접근이다. 학습률 정책과 장치 간 배치 정규화를 함께 사용해 학습 시간과 검출 정확도를 다룬다.
ImageNet 사전 학습의 재검토
ImageNet 사전 학습의 재검토는 객체 검출과 인스턴스 분할에서 무작위 초기화 학습을 비교한 연구다. 초기 수렴 속도와 최종 목표 과제의 정확도에 사전 학습이 미치는 영향을 구분했다.
ScratchDet
ScratchDet은 분류용 사전 학습 없이 단일 단계 객체 검출기를 학습하는 접근이다. 배치 정규화의 역할을 분석하고 검출에 맞는 특징 추출 구조를 설계해 수렴 문제를 다룬다.
DetNet
DetNet은 객체 검출의 위치 추정 요구를 고려해 설계한 특징 추출 신경망이다. 깊은 층에서도 높은 공간 해상도를 유지하고 검출에 필요한 추가 단계를 포함한다.
SNIP 크기 정규화
SNIP 크기 정규화는 이미지 피라미드의 크기에 따라 학습에 사용할 객체를 선택하는 검출 학습 방식이다. 객체가 지나치게 작거나 크게 나타나는 경우를 조절해 크기 변화에 대응한다.
SNIPER
SNIPER는 이미지 전체의 여러 해상도를 모두 처리하는 대신 객체 주변의 작은 영역으로 다중 크기 학습을 수행하는 알고리즘이다. 필요한 문맥을 담은 영역을 골라 학습 계산을 줄인다.
TridentNet
TridentNet은 서로 다른 수용 영역을 가진 병렬 분기로 객체의 크기 변화를 다루는 검출 신경망이다. 분기들이 변환 매개변수를 공유하면서 크기에 맞는 객체 예시로 각각 학습한다.
Cascade R-CNN
Cascade R-CNN은 단계가 진행될수록 더 높은 겹침 기준을 사용하는 다단계 객체 검출 구조다. 앞 단계에서 개선한 후보를 다음 단계에 전달해 점차 더 정확한 검출을 학습한다.
Dynamic R-CNN
Dynamic R-CNN은 학습 중 달라지는 영역 후보의 통계에 맞춰 표본 할당 기준과 회귀 손실을 바꾸는 검출 방법이다. 고정된 설정과 변화하는 학습 자료 사이의 불일치를 다룬다.
Guided Anchoring
Guided Anchoring은 이미지의 의미 특징을 이용해 앵커의 위치와 모양을 예측하는 객체 검출 방법이다. 일정한 크기와 종횡비의 앵커를 균일하게 배치하는 방식의 제약을 줄이려 한다.
Libra R-CNN
Libra R-CNN은 표본, 특징, 학습 목표 수준의 불균형을 함께 다루는 객체 검출 프레임워크다. 표본 추출과 특징 피라미드, 회귀 손실을 조정해 검출기의 학습 균형을 개선하려 한다.
FSAF
FSAF는 특징 피라미드에서 객체마다 적합한 층을 학습 중 선택하는 앵커 없는 검출 모듈이다. 각 층의 예측 분기를 이용해 고정된 특징 선택 규칙과 겹침 기반 표본 선택의 제약을 다룬다.
VarifocalNet
VarifocalNet은 객체의 존재 신뢰도와 위치 정확도를 하나의 점수로 학습하는 밀집 검출기다. 많은 후보 중 더 정확한 검출을 선택하도록 점수와 상자 특징의 표현을 함께 설계했다.
AutoAssign
AutoAssign은 미분 가능한 가중치로 양성과 음성 학습 예시를 조절하는 앵커 없는 객체 검출기다. 범주별 위치의 사전 분포와 개별 객체의 외형을 반영해 표본 할당을 학습한다.
FreeAnchor
FreeAnchor는 객체와 앵커의 대응 관계를 학습하는 객체 검출 방법이다. 겹침 기준으로 고정한 할당 규칙을 완화하고 분류와 위치를 함께 설명하는 대응을 최대우도 추정으로 학습한다.
OTA 객체 검출
OTA는 객체 검출의 학습 표본 할당을 최적 수송 문제로 표현하는 방법이다. 개별 객체마다 따로 대응을 정하는 대신 분류와 회귀 손실의 전체 비용을 고려해 할당을 구한다.
TOOD
TOOD는 단일 단계 객체 검출에서 분류와 위치 추정의 예측을 정렬하는 방법이다. 두 과제가 공유할 특징과 개별적으로 사용할 특징을 조절하고, 학습 표본과 손실도 함께 설계한다.
PAA 객체 검출
PAA는 모델의 학습 상태를 반영해 앵커를 양성과 음성 예시로 확률적으로 나누는 객체 검출 방법이다. 분류 점수와 위치 품질을 함께 사용해 학습과 검출 결과 선택을 연결한다.
ATSS
ATSS는 객체의 통계적 특성에 따라 검출기의 양성과 음성 학습 예시를 자동으로 선택하는 방법이다. 앵커 사용 여부보다 학습 표본을 어떻게 정의하는지가 중요하다는 분석에서 출발했다.
Focal Loss
Focal Loss는 이미 잘 분류되는 예시의 손실 기여를 낮추는 손실 함수다. 밀집 객체 검출에서 쉬운 배경 예시가 학습을 압도하지 않도록 어려운 예시에 상대적으로 집중하게 한다.
Generalized Focal Loss
Generalized Focal Loss는 객체 분류와 위치 품질을 함께 표현하고 경계 상자 위치를 분포로 학습하는 검출 방법이다. 연속적인 학습 목표를 다루도록 Focal Loss를 확장한다.
DIoU
DIoU는 예측 경계 상자와 정답 경계 상자의 중심 거리까지 고려하는 객체 검출 손실이다. 겹치는 넓이만으로 충분히 표현되지 않는 위치 차이를 정규화된 거리로 반영한다.
GIoU
GIoU는 두 경계 상자가 겹치지 않을 때도 공간적 차이를 반영하는 겹침 지표다. IoU에 두 상자를 감싸는 영역의 정보를 더해 객체 검출의 평가와 회귀 손실에 사용한다.
Soft-NMS
Soft-NMS는 겹치는 검출 상자의 점수를 낮추면서 중복 후보를 정리하는 알고리즘이다. 겹침 기준만으로 후보를 바로 제거하는 대신 겹치는 정도를 점수의 감소에 반영한다.
학습 기반 비최대 억제
학습 기반 비최대 억제는 검출 상자와 점수를 입력받아 중복 검출을 정리하는 신경망을 학습하는 접근이다. 2017년 연구는 손으로 정한 후처리 규칙을 학습 가능한 구성으로 바꾸는 방법을 제시했다.
Adaptive NMS
Adaptive NMS는 객체 주변의 밀도에 따라 중복 검출 억제 기준을 바꾸는 방법이다. 사람이 밀집한 장면에서 서로 다른 사람의 검출 상자가 함께 제거되는 문제를 다룬다.
Repulsion Loss
Repulsion Loss는 군중 장면에서 검출 상자가 주변 사람에게 치우치는 현상을 줄이려는 경계 상자 회귀 손실이다. 목표 객체로 끌어당기는 학습과 주변 객체에서 밀어내는 학습을 함께 사용한다.
CrowdPose
CrowdPose는 사람이 겹쳐 있는 장면의 자세 추정을 연구하는 방법과 데이터셋이다. 각 관절의 여러 위치 후보를 구한 뒤 전역적인 연결 관계를 이용해 사람별 관절을 묶는다.
CityPersons
CityPersons는 Cityscapes 이미지에 사람 주석을 추가한 보행자 검출 데이터셋이다. 서로 다른 장면에서 학습한 검출기가 작은 사람이나 심하게 가려진 사람도 찾을 수 있는지 연구하는 데 사용한다.
CrowdHuman
CrowdHuman은 사람이 밀집한 장면에서 사람 검출기를 평가하는 데이터셋이다. 서로 가려진 사람을 구분하기 위해 머리, 보이는 신체 영역, 전체 신체를 각각 경계 상자로 표시한다.
WIDER FACE
WIDER FACE는 크기와 자세, 가림 정도가 다양한 얼굴을 찾는 검출 벤치마크다. 얼굴의 위치를 표시하는 경계 상자와 함께 장면 및 얼굴 상태의 차이를 평가에 활용한다.
LVIS
LVIS는 많은 객체 범주를 인스턴스 단위로 구분하는 영상 인식 데이터셋이다. 흔한 객체와 드문 객체가 함께 나타나는 긴 꼬리 분포를 다루며, 객체마다 영역 마스크를 제공한다.
Open Images V4
Open Images V4는 이미지 분류, 객체 검출, 시각적 관계 인식을 함께 연구하도록 구성한 데이터셋이다. 이미지 전체의 개념과 개별 객체의 위치, 객체 사이의 관계를 서로 다른 주석으로 나타낸다.
Equalization Loss
Equalization Loss는 긴 꼬리 객체 인식에서 희소 범주를 억제하는 일부 기울기를 무시하는 손실이다. 다른 범주의 양성 예시가 희소 범주의 음성 예시로 작동하는 불균형을 다룬다.
Seesaw Loss
Seesaw Loss는 완화와 보상이라는 두 계수로 범주별 양성과 음성 기울기를 동적으로 조절하는 손실이다. 긴 꼬리 인스턴스 분할에서 희소 범주의 억제와 오탐지를 함께 다룬다.
MiSLAS
MiSLAS는 레이블 인식 평활화와 이동 배치 정규화로 긴 꼬리 인식의 확률 보정을 개선하는 두 단계 방법이다. 클래스별 과신과 단계 사이의 자료 편향을 함께 다룬다.
균형 대조 학습
균형 대조 학습은 클래스 평균화와 클래스 보완으로 불균형 자료의 표현을 배우는 대조 손실이다. 음성 클래스의 기울기 기여를 맞추고 모든 클래스가 작은 배치에 반영되도록 한다.
DisAlign
DisAlign은 자료별 분류 점수의 적응적 보정과 클래스 사전확률 재가중을 결합하는 긴 꼬리 인식 방식이다. 분류뿐 아니라 분할과 검출에도 같은 틀을 적용한다.
LADE
LADE는 모델 예측에서 원천 레이블 분포의 영향을 분리하려는 긴 꼬리 인식 손실이다. 목표의 레이블 분포도 불균형할 수 있다는 레이블 변화 문제를 다룬다.
PaCo
PaCo는 클래스별 학습 가능한 중심을 도입하는 매개변수형 대조 학습 방법이다. 지도 대조 손실이 빈번 클래스에 치우치는 문제를 최적화 관점에서 조절한다.
RIDE 긴 꼬리 인식
RIDE는 여러 전문가와 분포 인식 다양성 손실 및 동적 전문가 라우팅을 결합하는 긴 꼬리 분류기다. 모델의 편향과 분산 및 계산 비용을 함께 다룬다.
BBN
BBN은 두 갈래 신경망으로 표현 학습과 분류기 학습을 함께 다루는 긴 꼬리 시각 인식 방법이다. 누적 학습 일정으로 보편적인 패턴에서 희소 자료로 관심을 옮긴다.
긴 꼬리 인식의 표현과 분류기 분리
긴 꼬리 인식의 표현과 분류기 분리는 특징 학습과 최종 분류를 나누어 불균형의 영향을 분석하는 접근이다. 자연스러운 표본 분포로 표현을 배운 뒤 분류기만 조정하는 구성을 평가했다.
Balanced Meta-Softmax
Balanced Meta-Softmax는 학습과 시험의 레이블 분포 차이에 대응하는 균형 소프트맥스와 메타 샘플러를 결합한 방법이다. 긴 꼬리 시각 인식에서 클래스별 표본 비율도 추정한다.
긴 꼬리 학습의 로짓 조정
긴 꼬리 학습의 로짓 조정은 레이블 빈도에 따라 클래스 점수를 보정하는 방법이다. 학습을 마친 모델에 사후 적용하거나 학습 중 손실에 포함할 수 있다.
LDAM
LDAM은 레이블 분포를 고려하는 마진 손실로 불균형 자료를 학습하는 방법이다. 초기 표현 학습 뒤 재가중을 시작하는 지연 재가중 일정도 함께 제안됐다.
유효 표본 수 기반 클래스 균형 손실
유효 표본 수 기반 클래스 균형 손실은 범주별 자료의 중복을 고려해 손실 가중치를 조절하는 방법이다. 관찰 수가 늘수록 새 예시의 추가 이득이 줄어든다는 관점을 사용한다.
iNaturalist 2017 데이터셋
iNaturalist 2017 데이터셋은 자연에서 관찰한 식물과 동물 종의 분류 및 검출을 평가하는 자료다. 종별 이미지 수가 불균형하고 서로 비슷한 종과 다양한 촬영 조건을 포함한다.
iWildCam 2020
iWildCam 2020은 새로운 카메라 위치에서도 동물 종을 구분하는 능력을 평가하는 대회 데이터셋이다. 학습과 시험의 카메라를 분리하고 원격 탐사 및 시민 과학 자료를 함께 제공했다.
FMoW
FMoW는 위성 영상의 시간적 관찰과 메타데이터를 이용해 건물 및 토지의 기능을 분류하는 데이터셋이다. 원래 공개 구성에는 오탐지 범주를 포함한 63개 범주가 있다.
Wild-Time
Wild-Time은 시간의 흐름에 따라 달라지는 현실 자료 분포를 평가하는 벤치마크다. 고정된 시간 분할과 스트림 평가를 사용해 과거에서 미래로의 일반화를 비교한다.
PACS
PACS는 사진과 회화 및 만화와 스케치의 차이를 이용하는 도메인 일반화 벤치마크다. 여러 학습 영역에서 얻은 지식을 보지 못한 영역에 적용하는 능력을 평가한다.
VisDA 2017
VisDA 2017은 합성 영상에서 배운 모델을 실제 영상에 적응시키는 비지도 도메인 적응 데이터셋과 도전 과제다. 이미지 분류와 이미지 분할이라는 두 트랙을 제공했다.
DomainNet
DomainNet은 여섯 시각 영역의 345개 범주를 포함하는 도메인 적응 데이터셋이다. 여러 원천 영역에서 얻은 지식을 정답 없는 목표 영역으로 옮기는 연구를 위해 구성됐다.
Office-Home
Office-Home은 생활 물체를 네 가지 시각 영역에서 분류하는 도메인 적응 데이터셋이다. 같은 객체 범주가 예술 표현과 클립아트 및 제품 사진과 실제 환경 사진으로 등장한다.
CLEAR 지속 학습 벤치마크
CLEAR는 현실 이미지의 자연스러운 시간 변화를 이용하는 지속 학습 벤치마크다. 가까운 미래의 자료에서 시험하는 스트리밍 규약과 정답 없는 자료를 함께 제공한다.
Stream-51
Stream-51은 시간적으로 연관된 영상 흐름에서 분류와 미지 개념 탐지를 평가하는 데이터셋이다. 51개 객체 범주와 학습에 없던 범주의 시험 예시를 포함한다.
CORe50
CORe50은 같은 생활 물체를 여러 환경과 자세에서 관찰하며 지속적으로 인식하는 능력을 평가하는 데이터셋이다. 새 인스턴스와 새 클래스 및 두 변화가 함께 생기는 조건을 구분한다.
OpenLORIS-Object
OpenLORIS-Object는 변하는 환경에서 로봇의 지속 객체 인식 능력을 평가하는 RGB-D 데이터셋과 벤치마크다. 고정된 자료 분포를 넘어 실제 응용의 변화 조건을 다룬다.
사전 학습 특징의 지속 학습 기준
사전 학습 특징의 지속 학습 기준은 모델을 갱신하지 않고 클래스 대표 특징을 기억해 분류하는 단순한 접근이다. 2022년 연구는 기존 모델의 특징 품질과 지속 학습 평가의 관계를 살폈다.
초소형 기억의 지속 학습
초소형 기억의 지속 학습은 매우 적은 과거 예시를 저장하고 새 자료와 함께 재학습하는 효과를 분석한 연구다. 2019년 연구는 작은 기억도 일반화와 망각에 유용할 수 있음을 평가했다.
REMIND 지속 학습
REMIND는 원본 이미지 대신 압축된 표현을 재생하는 온라인 지속 학습 방법이다. 새 예시와 과거의 압축 기억을 함께 활용해 효율적으로 망각에 대응한다.
잠재 재생
잠재 재생은 입력 원본 대신 신경망 중간 계층의 활성 값을 저장해 사용하는 지속 학습 방법이다. 저장 표현 아래쪽 계층의 학습을 늦춰 과거 활성의 유효성을 유지한다.
FearNet
FearNet은 최근 기억과 장기 기억을 나누는 생성 기반 클래스 증분 학습 모델이다. 과거 예시를 저장하는 대신 이중 기억 체계의 통합과 회상 선택을 사용한다.
심층 생성 재생
심층 생성 재생은 생성 모델과 과제 해결 모델을 함께 사용해 과거 과제의 자료를 만들어 재학습하는 지속 학습 프레임워크다. 생성한 과거 표본을 새 과제 자료와 섞어 사용한다.
ER-ACE
ER-ACE는 새 자료와 재생 자료에 비대칭적인 교차 엔트로피를 적용하는 온라인 지속 학습 방법이다. 새 클래스 등장 때 과거 표현이 급격히 이동하는 문제를 줄이려 한다.
지도 대조 재생
지도 대조 재생은 같은 클래스의 표현을 모으고 다른 클래스를 떨어뜨리는 재생 기반 지속 학습 방법이다. 최근접 클래스 평균 분류기를 활용해 온라인 학습의 최신 자료 편향을 다룬다.
MIR 재생 표본 검색
MIR은 예정된 매개변수 갱신으로 예측이 가장 나빠질 기억 예시를 골라 재생하는 방법이다. 무작위 재생 대신 새 학습의 간섭을 기준으로 과거 표본을 검색한다.
기울기 기반 재생 표본 선택
기울기 기반 재생 표본 선택은 지속 학습의 기억 버퍼에 남길 예시를 매개변수 기울기의 다양성으로 고르는 방법이다. 표본 선택을 제약 집합의 근사 문제로 정식화한다.
A-GEM
A-GEM은 과거 기억 전체의 평균 손실에 대한 하나의 제약으로 기울기를 조정하는 지속 학습 방법이다. 과제별 제약을 사용하는 GEM의 계산과 메모리 부담을 줄인다.
GEM 지속 학습
GEM은 과거 과제의 일부 예시를 기억하고 그 손실을 악화시키지 않는 방향으로 기울기를 조정하는 지속 학습 방법이다. 망각을 줄이면서 과거 과제의 개선도 허용한다.
Memory Aware Synapses
Memory Aware Synapses는 출력 함수의 매개변수 민감도로 중요도를 온라인 추정하는 지속 학습 방법이다. 정답 없는 자료에서도 중요도를 누적하고 중요한 지식의 변경을 억제한다.
시냅스 지능 학습
시냅스 지능 학습은 각 매개변수의 과거 학습 기여도를 온라인으로 누적해 망각을 줄이는 방법이다. 새 과제를 배우면서 중요한 과거 매개변수가 크게 변하지 않도록 제약한다.
과제별 하드 어텐션
과제별 하드 어텐션은 과제를 학습하면서 마스크를 함께 배우고 이전 마스크로 새 학습을 조절하는 지속 학습 방법이다. 과거 정보의 보존과 현재 과제의 학습을 함께 다룬다.
탄력적 가중치 통합
탄력적 가중치 통합은 과거 과제에 중요한 가중치가 새 학습 중 크게 변하지 않도록 제약하는 방법이다. 매개변수별 중요도에 따라 다른 강도의 이차 페널티를 적용한다.
점진 신경망
점진 신경망은 새 과제마다 신경망 열을 추가하고 이전 열의 특징을 측면 연결로 활용하는 구조다. 이전 매개변수를 동결해 과거 기능을 보존하면서 새 과제로 지식을 전달한다.
DER 동적 표현 확장
DER 동적 표현 확장은 과거 표현을 동결하고 새 특징 차원을 추가하는 클래스 증가형 학습 방법이다. 채널 마스크 가지치기로 새로운 개념의 복잡도에 맞춰 표현을 확장한다.
Dark Experience Replay
Dark Experience Replay는 과거 학습 과정의 로짓을 다시 맞추는 지속 학습 기준 방법이다. 예시 재생과 지식 증류 및 정규화를 결합해 과거 모델과의 일관성을 유도한다.
PODNet 증분 학습
PODNet은 작은 과제가 오랫동안 이어지는 증분 학습에서 지식을 보존하려는 모델이다. 공간 기반 증류 손실과 클래스별 여러 대리 벡터를 사용하는 표현을 결합한다.
iCaRL
iCaRL은 클래스가 순차적으로 늘어날 때 분류기와 자료 표현을 함께 학습하는 방법이다. 예시 평균에 가까운 클래스의 선택과 우선순위 예시 관리 및 지식 증류를 결합한다.
Learning without Forgetting
Learning without Forgetting은 과거 과제의 학습 자료 없이 새 과제를 추가하는 방법이다. 새 자료에서 얻은 기존 모델의 출력을 증류 신호로 사용해 공유 표현을 조정한다.
대규모 증분 학습의 편향 보정
대규모 증분 학습의 편향 보정은 새 클래스에 치우친 마지막 분류 계층을 선형 모델로 보정하는 접근이다. 2019년 연구는 두 개의 편향 매개변수로 클래스 불균형 문제에 대응했다.
종단간 증분 학습
종단간 증분 학습은 새 클래스 자료와 과거 클래스의 소규모 예시를 함께 사용해 표현과 분류기를 공동 학습하는 방법이다. 지식 증류와 교차 엔트로피를 결합해 새 클래스 추가에 대응한다.
CODA-Prompt
CODA-Prompt는 여러 프롬프트 성분을 입력에 따른 가중치로 조립하는 지속 학습 방법이다. 어텐션 기반 키 질의 구성을 과제의 순서와 함께 처음부터 끝까지 학습한다.
S-Prompts
S-Prompts는 영역별로 독립적인 프롬프트를 학습하는 영역 증가형 지속 학습 방법이다. 과거 예시를 저장하지 않고 시험 시 최근접 이웃 연산으로 영역을 식별한다.
DualPrompt
DualPrompt는 공통 지식과 과제별 지식을 담는 상보적인 프롬프트로 사전 학습 모델의 지속 학습을 돕는 방법이다. 과거 예시를 저장하지 않고 순차 과제를 학습한다.
L2P
L2P는 작은 학습 가능한 프롬프트를 기억 공간에 유지하고 사전 학습 모델을 동적으로 안내하는 지속 학습 방법이다. 시험 단계에 과제 식별자를 받지 않는 조건을 다룬다.
FOA 시험 시점 적응
FOA는 역전파와 모델 가중치 변경 없이 순전파만으로 시험 시점 적응을 수행하는 방법이다. 입력 프롬프트의 미분 없는 최적화와 활성 이동을 활용한다.
TeSLA
TeSLA는 자동 적대적 증강과 온라인 지식 증류를 활용하는 시험 시점 자기 학습 방법이다. 무정답 시험 자료의 흐름에 사전 학습 모델을 적응시킨다.
TTN 시험 시점 정규화
TTN은 원천 통계와 현재 시험 배치 통계를 계층별 영역 변화 민감도에 따라 보간하는 정규화 방법이다. 시험 배치 크기와 자료 흐름 조건에 따른 불안정성을 다룬다.
SoTTA
SoTTA는 잡음이 섞인 자료 흐름에서 예시 선택과 매개변수 견고함을 함께 다루는 시험 시점 적응 방법이다. 높은 확신의 클래스 균등 샘플링과 엔트로피 예리함 최소화를 사용한다.
TAST
TAST는 시험 예시의 최근접 이웃 정보로 의사 레이블을 만들고 적응 모듈을 학습하는 방법이다. 여러 모듈의 평균 예측을 사용해 온라인 무정답 자료에 적응한다.
켤레 의사 레이블 적응
켤레 의사 레이블 적응은 원래 지도 학습 손실의 볼록 켤레를 이용해 시험 시점의 무정답 손실을 구성하는 방법이다. 학습 손실에 따라 적절한 적응 목적도 달라질 수 있음을 다룬다.
Diffusion-TTA
Diffusion-TTA는 확산 모델의 생성 피드백으로 판별 모델을 시험 시점에 적응시키는 방법이다. 판별 출력으로 확산 조건을 조절하고 이미지 우도를 높이는 기울기를 판별 모델에 전달한다.
DUSA
DUSA는 확산 스코어에 담긴 구조화된 의미 정보를 판별 모델의 시험 시점 적응에 활용하는 방법이다. 잡음 제거 확산의 한 시간 단계에서 지식을 추출한다.