CVPR 2019 | 小样本域适应的目标检测

640

作者丨文永亮

学校丨哈尔滨工业大学(深圳)硕士生

研究方向丨目标检测、GAN


引言

最近笔者也在寻找目标检测的其他方向,一般可以继续挖掘的方向是从目标检测的数据入手,困难样本的目标检测,如检测物体被遮挡,极小人脸检测,亦或者 数据样本不足的算法。

这里笔者介绍一篇 小样本(few-shot)数据方向下的 域适应(Domain Adaptation)的目标检测算法,这篇新加坡国立大学 & 华为诺亚方舟实验室的论文  Few-shot Adaptive Faster R-CNN  被收录于  CVPR 2019,解决的具体问题场景是在普通常见场景下的汽车目标检测。

640?wx_fmt=png

640?wx_fmt=png


我们只有少量雾天暴雨极劣天气环境下的汽车样本,那么我们可以使用成对采样(pairing-sampling)的方法,源域(source domain)即普通场景下的汽车样本 Cars 和目标域(target domain)即 恶劣天气下的汽车样本640?wx_fmt=png 成对(640?wx_fmt=png 640?wx_fmt=png)组成负样本 ,另一方面 源域下成对组成正样本,使用 GAN 的结构,判别器(discriminator)尽可能去分辨正负样本的不同,也就是 分辨出源域和目标域的样本 ,生成器(generator)是尝试去迷惑判别器。 这就是这个算法的主要思想,主要是把域适应的思想应用到了目标检 测上。

论文源码还没完全开源,只找到了个官方的 repo:
https://github.com/twangnh/FAFRCNN

思考

在介绍文章具体网络设计和损失函数的设计之前,我们可以带着一个问题去思考。

用 GAN 的结构,数据样本使用640?wx_fmt=png作为正样本、

  • 2
    点赞
  • 26
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值