1.图像归一化图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。在机器学习中，不同评价指标（即特征向量中的不同特征，就是所述的不同评价指标）往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果。为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。简而言之，归一化的目的就是使得预处理的数据被限定在一定的范围内（比如[0,1]或者[-1,1]），从而消除奇异样本数据导致的不良影响。在深度学习中，通

1.图像归一化图像归一化是指对图像进行了一系列标准的处理变换，使之变换为一固定标准形式的过程，该标准图像称作归一化图像。在机器学习中，不同评价指标（即特征向量中的不同特征，就是所述的不同评价指标）往往具有不同的量纲和量纲单位，这样的情况会影响到数据分析的结果。为了消除指标之间的量纲影响，需要进行数据标准化处理，以解决数据指标之间的可比性。原始数据经过数据标准化处理后，各指标处于同一数量级，适合进行综合对比评价。其中，最典型的就是数据的归一化处理。简而言之，归一化的目的就是使得预处理的数据被限定在一定的范围内（比如[0,1]或者[-1,1]），从而消除奇异样本数据导致的不良影响。在深度学习中，通

测试时自适应（Test-TimeAdaptation,TTA）方法在测试阶段指导模型进行快速无监督/自监督学习，是当前用于提升深度模型分布外泛化能力的一种强有效工具。然而在动态开放场景中，稳定性不足仍是现有TTA方法的一大短板，严重阻碍了其实际部署。为此，来自华南理工大学、腾讯AILab及新加坡国立大学的研究团队，从统一的角度对现有TTA方法在动态场景下不稳定原因进行分析，指出依赖于Batch的归一化层是导致不稳定的关键原因之一，另外测试数据流中某些具有噪声/大规模梯度的样本容易将模型优化至退化的平凡解。基于此进一步提出锐度敏感且可靠的测试时熵最小化方法SAR，实现动态开放场景下稳定、高效的测

测试时自适应（Test-TimeAdaptation,TTA）方法在测试阶段指导模型进行快速无监督/自监督学习，是当前用于提升深度模型分布外泛化能力的一种强有效工具。然而在动态开放场景中，稳定性不足仍是现有TTA方法的一大短板，严重阻碍了其实际部署。为此，来自华南理工大学、腾讯AILab及新加坡国立大学的研究团队，从统一的角度对现有TTA方法在动态场景下不稳定原因进行分析，指出依赖于Batch的归一化层是导致不稳定的关键原因之一，另外测试数据流中某些具有噪声/大规模梯度的样本容易将模型优化至退化的平凡解。基于此进一步提出锐度敏感且可靠的测试时熵最小化方法SAR，实现动态开放场景下稳定、高效的测