CVPR2023新作：夜间物体检测

1. Title: 2PCNet: Two-Phase Consistency Training for Day-to-Night Unsupervised Domain Adaptive Object Detection

2. Affiliation: National University of Singapore, Department of Electrical and Computer Engineering

3. Authors: Mikhail Kennerley, Jian-Gang Wang, Bharadwaj Veeravalli, and Robby T. Tan

4. Keywords: object detection, unsupervised domain adaptation, night-time images, student-teacher framework, pseudo-labels

5. Summary:

• (1):该论文研究背景是夜间物体检测是一项具有挑战性的任务，因为夜间图像缺少人工标注。近年来，领域自适应方法被用于处理这一问题。

• (2):过去的方法包括基于对抗学习的方法和基于学生-教师框架的方法，但这些方法在小尺度和低光下的物体检测中存在错误传递问题。本文提出了一个两阶段一致性培训的无监督领域适应网络(2PCNet)，以解决这些问题。该方法使用教师在第一阶段的高置信度边界框预测，将其添加到学生的区域建议中，用于在第二阶段由教师重新评估，产生高置信和低置信伪标签的组合。夜间图像和伪标签被缩小，然后用作学生的输入，提供更强大的小尺度伪标签。为了解决低光区域和其他夜间相关属性引起的错误，本文提出了一个名为NightAug的夜间特定的增强管道，其中包括对白天图像应用随机增强，如 glare、模糊和噪音。虽然过去的方法存在问题，但是本文的方法提出的合理。

• (3):本文的研究方法是一个两阶段一致性培训的无监督领域适应网络(2PCNet)，其中学习分两个阶段。在第一个阶段，教师网络生成高置信度的边界框预测，将它们添加到学生网络的建议区域中。在第二个阶段，教师网络重新评估带有高/低置信度的伪标签并反馈给学生网络。

• (4):本文在公开数据集上的实验显示，2PCNet优于先前的无监督领域自适应算法，相对于目标数据的有监督模型提高了20%的检测性能。因此，该方法可以很好地支持他们的目标。

6. Methods:

• (1): 本文提出了一个名为2PCNet的无监督领域适应网络方法，该方法利用学生-教师框架进行两阶段一致性训练。在第一阶段，教师网络使用夜间图像提供高置信度边界框预测，并将它们添加到学生网络的区域建议中。在第二阶段，教师网络重新评估伪标签，并将带有高/低置信度的伪标签反馈给学生网络，以训练学生网络对夜间图像进行检测。

• (2): 为了克服小尺度物体检测误差传递的问题，本文采用了一种分别缩小夜间图像和伪标签的方法。学习缩小尺度后的伪标签有助于学生网络对小尺度目标的检测。

• (3): 为了解决低光照下的错误检测问题，本文使用了一个名为NightAug的夜间图像增强管道。该管道对白天图像应用随机增强，包括 glare、模糊和噪音等，以模拟夜间图像的特征，并将其应用于学习阶段。

• (4): 本文在两个无监督领域自适应目标检测数据集上进行了实验，结果显示2PCNet的性能比之前的算法更好，并且相对于有监督模型提高了20%的检测性能。

7. Conclusion:

• (1): 本研究通过提出一个两阶段一致性训练的无监督领域适应网络(2PCNet)，成功解决了夜间无监督物体检测的挑战性问题。其具有重要的实际应用价值。

• (2): 创新点：2PCNet提出了一个两阶段一致性培训的无监督领域适应网络，有效地解决了以往方法在小尺度和低光下存在的误差传递问题。性能：与现有无监督领域自适应方法相比，2PCNet在两个公共数据集上均取得了更好的表现，相对于有监督模型提高了20%的检测性能。工作量：本文提出的方法不仅有效，而且高效，可以加快夜间无监督物体检测模型的训练速度。