image.png
    提出了一种利用自监督学习的测试时 Domain Adaptation 的方法，利用源域数据初始化模型，在测试时接近在线地对目标与数据进行适应。
    算法分为几个主要模块：

    1. 标记改正：构建一个存储样本的队列，利用样本的增广在队列中样本寻找临近样本，用临近样本地概率集成以改正样本的标记。
      1. 仅利用了一阶的临近信息，利用样本图修改标记能够提供更加丰富信息，例如借鉴 TLP 工作。
      2. 利用数据增广操作来数据的数据中的域变化。
    2. 模型在线更新：将单样本更新替换为 Mini-Batch 更新，利用改进的自监督方法 MoCo 从新数据逐渐优化模型。
      1. 在源域已经收敛的模型基础上更新，可以快速收敛。
      2. 对模型参数进行指数集成逐渐向新模型更新。
    3. 若干正则化损失：半监督正则化。
      1. FixMatch的强弱增广损失
      2. 熵最小化损失

    代码：https://github.com/DianCh/AdaContrast
    详情页：https://sites.google.com/view/adacontrast