분류를 넘는 적응 과제
연구는 분류 과제에만 집중하거나 특정 구조와 원천 정보에 의존하는 적응 방법의 제약을 다뤘다. 모델의 보정과 불확실성도 함께 고려할 요소로 살폈다.
새로운 자기 학습 손실
일반적인 교차 엔트로피 자기 학습과 다른 시험 시점 손실을 제안했다. 이 목적을 상호 정보와 온라인 지식 증류 사이의 관계를 통해 구성한다.
자동 적대적 증강
학습 가능한 효율적인 증강 모듈이 엔트로피가 높은 증강 이미지를 모사한다. 이를 이용해 온라인 지식 증류를 강화하는 구성을 사용한다.
다양한 변화와 모델의 평가
분류와 분할의 여러 벤치마크 및 영역 변화에서 평가했다. 의료 이미지의 측정 조건 변화도 포함하고 보정과 불확실성 및 모델 구조의 영향을 구성요소 실험으로 분석했다.
관련 문서
TTN 시험 시점 정규화 / MEMO 시험 시점 적응 / 켤레 의사 레이블 적응 / TAST / SoTTA / Tent 시험 시점 적응