연속 추론 시점 적응(Continual Test-Time Adaptation, CTTA)은 환경이 변화하는 상황에서 이전에 학습한 지식을 유지하면서 목표 데이터에 모델을 적응시키는 데 필수적이다. 그러나 기존 방법들은 클래스 불균형을 간과하여 중요하지만 소수에 해당하는 객체에 대한 성능이 제한된다. 이를 해결하기 위해 본 연구에서는 신뢰도 기반 적응 학습(confidence-guided adaptive learning)을 적용하는 AdaCoTTA를 제안한다. 이러한 메커니즘은 CTTA에서 클래스 불균형, 치명적 망각(catasrophic forgetting), 오류 누적(error accumulation)을 완화한다. 우리는 AdaCoTTA를 의미론적 분할을 위한 다양한 CTTA 벤치마크에서 평가한다. 그 결과, ACDC에서 평균 mIoU를 0.6% 향상하고 소수 클래스에 대해서는 4% 이상 개선하여 최첨단 성능을 달성함으로써 실제 시나리오에서의 효과를 입증한다. 코드는 https://github.com/junghyeon0427/AdaCoTTA 에서 제공된다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.