AAAI论文最佳解读|Object-Aware Domain Generalization for Object Detection-water-merged

论文标题

Object-Aware Domain Generalization for Object Detection 面向对象的域泛化目标检测

论文链接

Object-Aware Domain Generalization for Object Detection论文下载

论文作者

Wooju Lee, Dasol Hong, Hyungtae Lim, Hyun Myung

内容简介

本文提出了一种面向对象的域泛化方法（OA-DG），旨在解决单域泛化（S-DG）在目标检测中的应用问题。传统的S-DG方法主要集中在分类任务上，导致在目标检测中可能损害对象的语义特征，从而引发不准确的目标定位和错误分类。OA-DG方法结合了数据增强和训练策略，分别称为OA-Mix和OA-Loss。OA-Mix通过多级变换和对象感知混合策略生成多域数据，确保在增强过程中保留对象的语义特征。OA-Loss则使模型能够从原始图像和OA-Mixed图像中学习域不变的表示。实验结果表明，所提出的方法在标准基准测试中优于现有的最先进方法，展示了其在未见目标域上的强大泛化能力。

分点关键点

1. OA-Mix数据增强

   • OA-Mix是一个创新的数据增强方法，通过多级变换和对象感知混合策略生成多域数据。它在图像中引入局部变化，同时确保不损害对象的语义特征，从而增强了图像的多样性。
     

2. OA-Loss训练策略

   • OA-Loss通过训练模型学习前景和背景实例之间的语义关系，减少原始域和增强域之间的差距。该方法不仅考虑了前景实例的类间和类内关系，还关注背景实例的语义关系，从而提高了目标检测的准确性。
     

3. 对比学习的应用

   • OA-Loss采用对比学习的方法，训练模型在多域中区分前景和背景实例。通过推拉机制，增强了模型对不同类和背景实例的区分能力，进一步提升了模型的泛化能力。

4. 实验结果与性能

   • 在多个标准基准测试中，OA-DG方法表现出色，尤其是在面对常见的腐蚀和不同天气条件下的鲁棒性评估中，显示出优于现有最先进方法的性能。

论文代码

代码链接：https://github.com/WoojuLee24/OA-DG

中文关键词

1. 面向对象的域泛化
2. 单域泛化
3. 目标检测
4. 数据增强
5. 训练策略
6. 对比学习
7. 语义特征
8. 鲁棒性评估

AAAI论文合集：

AAAI论文合集

希望这些论文能帮到你！如果觉得有用，记得点赞关注哦~ 后续还会更新更多论文合集！！