CoTTA：持续测试时适应

CVPR 2022发表的持续测试时域适应论文的官方代码。

该存储库还包含用于分类和分割的其他持续测试时适应方法。 我们为以下方法提供基准测试和比较：

• CoTTA
• AdaBN / BN 适应
• TENT

在以下任务上：

• CIFAR10/100 -> CIFAR10C/100C (标准/渐进)
• ImageNet -> ImageNetC
• Cityscapes -> ACDC (分割)

先决条件

请创建并激活以下conda环境。为了重现我们的结果，请务必创建并使用此环境。

# conda解决环境可能需要几分钟
conda update conda
conda env create -f environment.yml
conda activate cotta 

分类实验

CIFAR10到CIFAR10C标准任务

# 在RTX2080TI上测试
cd cifar
# 这包括所有三种方法的比较以及基线
bash run_cifar10.sh 

CIFAR10到CIFAR10C渐进任务

# 在RTX2080TI上测试
bash run_cifar10_gradual.sh

CIFAR100到CIFAR100C任务

# 在RTX3090上测试
bash run_cifar100.sh

ImageNet到ImageNetC任务

# 在RTX3090上测试
cd imagenet
bash run.sh

分割实验

Cityscapes到ACDC分割任务

自2022年4月起，我们还提供基于Segformer的分割代码。 您可以在这里下载

## 环境设置：需要为segformer创建一个新的conda环境
## 如果安装mmcv遇到问题，您可能还需要查看https://github.com/qinenergy/cotta/issues/13
conda env create -f environment_segformer.yml
pip install -e . --user
conda activate segformer
## 运行
bash run_base.sh
bash run_tent.sh
bash run_cotta.sh
# 示例日志包含在./example_logs/base.log、tent.log和cotta.log中。
## Cityscapses到ACDC代码的许可证
非商业用途。代码主要基于Segformer。请同时查看Segformer的许可证。

数据链接

• 补充PDF
• ACDC实验代码
• 其他补充材料

引用

如果您觉得我们的工作有用，请引用它。

@inproceedings{wang2022continual,
  title={Continual Test-Time Domain Adaptation},
  author={Wang, Qin and Fink, Olga and Van Gool, Luc and Dai, Dengxin},
  booktitle={Proceedings of Conference on Computer Vision and Pattern Recognition},
  year={2022}
}

致谢

• 大量使用了TENT代码。官方
• 使用了KATANA代码进行数据增强。官方
• Robustbench 官方

外部数据链接

• ImageNet-C 下载

如有关于代码的问题，请联系wang@qin.ee。