本文共 1257 字，大约阅读时间需要 4 分钟。
Paper Link：
- 重点研究自动模型评估（AutoEval）这一重要的且尚未开发的问题。具体来说，给定带标签的训练集和分类器，我们需要估计出分类器在未标记的测试数据集上的分类准确性。
- 方法的出发点：测试集合和训练集合数据分布差异越大，那么分类器在测试集合上的准确率就会越低。
- 采用回归模型：输入为一个测试集与数据分布差异相关的特征（如均值和协方差），输出为分类器在其上的准确率。
- 构造元数据集合（meta dataset, 数据集组成的数据集）。对其图像使用图像转换（例如旋转，自动对比度，平移）和背景更改。使用不同的变换和背景，我们可以生成许多不同的样本集。
四篇来自 NeurIPS 2020 和对比学习相关的文章
- 学习 category-level 的不变性表示
- 通过在特征空间进行 mixup 的方式产生更难的负样本
- 在没有 label 的情况下，尽可能减少负样本中的 false negative samples
- 将 anchor 进行数据增强得到的 image 作为负例来提升 OOD 检测性能
Test-Time Training with Self-Supervision for Generalization under Distribution Shifts （ECCV2020）
Abs：We turn a single unlabeled test sample into a self-supervised learning problem, on which we update the model parameters before making a prediction. This also extends naturally to data in an online stream.
idea：
- 一个Y型网络结构，主网络加分类任务分支和self-supervised分支；
- 训练阶段：Losses for both tasks are added together, and gradients are taken for the collection of all parameters.
- 测试阶段：test sample先进行自监督的一个参数更新，再输出分类预测值。同样适用于online training
Domain Adaptive Relational Reasoning for 3D Multi-Organ Segmentation（arxiv）
Author：Shuhao Fu (JHU)
问题：解决 difffferent scanners and/or protocols (domains) 之间的偏差
方法：用一个generator network from [23] with the subpixel upsampling method as our super-resolution module。把图像全部upsample到一个超分辨率上
转载地址：http://dfeqf.baihongyu.com/