ICCV2021 Oral SimROD：简单高效的数据增强！华为提出了一种简单的鲁棒目标检测自适应方法

ICCV2021 Oral SimROD：简单高效的数据增强！

华为提出了一种简单的鲁棒目标检测自适应方法

本文提出了一种简单有效的鲁棒目标检测无监督自适应方法(SimROD)。为了克服域转移（domain shift）和伪标签噪声（pseudo-label noise）等问题，本文的方法集成了域中心增强方法（domain-centric augmentation method） 、渐进的自标签适应机制（gradual self-labeling adaptation procedure） 和教师指导的微调机制（teacher-guided fine-tuning mechanism） 。

使用本文的方法，目标域样本可以用来调整目标检测模型，而不改变模型结构或生成合成的数据。当应用于图像损坏和高级跨域自适应基准数据集上测试时，本文的方法在多个域自适应基准数据集上优于之前的baseline方法

1. 论文和代码地址

SimROD: A Simple Adaptation Method for Robust Object Detection
论文：https://arxiv.org/abs/2107.13389

代码：https://github.com/reactivetype/simrod

2. Motivation

当测试集的数据分布和训练集相似时，SOTA的目标检测模型能够达到比较高的精度。但是，当部署到新环境中时，比如天气变化（如雨或雾）、光照条件变化或图像损坏（如运动模糊），模型的精度就会大幅度下降。

这种失败不利于自动驾驶等场景，在这些场景中，域转移是常见且不可避免的。为了使它们在以可靠性为关键的应用程序中取得更高的性能，使检测模型对域转移具有更强的鲁棒性是很重要的。
目前，已经提出了许多方法来克服域转移的目标检测。它们大致可以分为数据增强、域对齐、域映射和自标记技术。数据增强 方法可以提高在一些固定的域位移集上的性能，但不能推广到与增强样本不相似的数据中。
域对齐 方法使用来自目标域的样本来对齐网络的中间特征。域映射 方法使用图像到图像的转换网络（比如：GAN）将标记的源图像转换为看起来像未标记的目标域图像的新图像。
自标记 是一种不错的方法，因为它利用了来自目标域的未标记的训练样本。然而，在域转移下生成准确的伪标签是困难的；当伪标签有噪声时，使用目标域样本进行自适应是无效的 。
在本文中，作者提出了一种简单的鲁棒对象检测自适应方法(SimROD)，利用域混合数据增强和教师指导下的逐步自适应策略来减轻域转移的影响。SimROD主要有三个特点：

• 首先，它不需要目标域数据的Ground Truth标签，而是利用未标记的样本。
• 它既不需要复杂的模型结构更改，也不需要生成模型来创建合成数据
• 它与模型结构无关的，并不局限于基于区域的检测器。

3.原文地址

52计算机视觉