本文介绍了2022年CVPR上的CoTTA论文，针对动态目标域下的持续测试时自适应问题。传统方法在长期适应中会出现错误累积和灾难性遗忘。CoTTA通过权重平均和增强平均生成高质量伪标签，并采用随机恢复机制保留源知识。实验表明，在CIFAR10/100-C、ImageNet-C分类任务和Cityscapes→ACDC分割任务上，CoTTA显著优于其他方法。该方法无需源数据，可部署于任何预训练模型，有

《TPT：基于单测试样本的动态提示优化方法》论文摘要 本文针对视觉语言模型在零样本泛化中依赖手工设计提示或下游训练数据的问题，提出了一种创新解决方案TPT。该方法首次实现了仅通过单个测试样本动态优化提示，在自然分布偏移、跨数据集任务和视觉推理任务中显著提升了零样本性能。TPT通过数据增强生成多个视图，利用置信度过滤机制排除高熵样本，并最小化预测结果的边际熵来优化提示嵌入。实验表明，TPT在Imag

本文介绍了2022年CVPR上的CoTTA论文，针对动态目标域下的持续测试时自适应问题。传统方法在长期适应中会出现错误累积和灾难性遗忘。CoTTA通过权重平均和增强平均生成高质量伪标签，并采用随机恢复机制保留源知识。实验表明，在CIFAR10/100-C、ImageNet-C分类任务和Cityscapes→ACDC分割任务上，CoTTA显著优于其他方法。该方法无需源数据，可部署于任何预训练模型，有

本文介绍了2022年CVPR上的CoTTA论文，针对动态目标域下的持续测试时自适应问题。传统方法在长期适应中会出现错误累积和灾难性遗忘。CoTTA通过权重平均和增强平均生成高质量伪标签，并采用随机恢复机制保留源知识。实验表明，在CIFAR10/100-C、ImageNet-C分类任务和Cityscapes→ACDC分割任务上，CoTTA显著优于其他方法。该方法无需源数据，可部署于任何预训练模型，有