Task Affinity Guidance

新的HCL框架通过测试时自适应增强伪装感知

研究人员开发了一个名为分层一致性学习（HCL）的新框架，以提高目标检测中的伪装感知能力。该方法通过引入测试时自适应来动态重新校准表示，克服了传统静态训练的局限性。HCL利用分层表示重建和任务亲和力引导来增强对外观同质化和语义漂移的鲁棒性，同时原型一致性校准确保语义不变性。实验表明，HCL在各种基准测试中优于现有方法，在分布变化下表现出强大的泛化能力。