CVPR 2019 | 小样本域适应的目标检测

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。

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 成对（ , ）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，数据样本使用作为正样本、