https://github.com/chengchunhsu/EveryPixelMatters
摘要
域适配目标检测旨在将目标检测器适配到未知的域,新的域可能会遇到各种各样的外观变化,包括外观,视角或者背景。现存的大多数方法在图像级或者实例级上采用图像对齐的方法。然而,在全局特征上的图像对齐可能会混淆前景和背景像素。而使用建议的实例级对齐可能会受到背景噪声的影响。
和现有的方法所不同的是,我们提出了一个域适配框架提前预测目标和中心度来对每个像素都负责,计了一个模块来估计整个图像的像素方向的目标度和中心度。
特别地,提出的方法通过给背景像素更多的关注来进行中心可知的对齐,因此比以前的适配方法效果更好。在大量适配设置的大量实验上证明了我们所提出方法的有效性,并且展示了比SOTA算法更佳的表现。
背景
尽管在目标检测方面取得了重大进展,但始终需要一种能够适应物体外观、视点和背景变化的目标检测器。例如,要求用于自动驾驶的检测器在各种天气条件下都能正常工作,即使在某些特定天气条件下可能会获取训练数据。
Kim等人提出了一个一阶段的适配方法来进行更快的推断,通过一个难负样本挖掘技巧来寻找更加可靠的伪标签。然而,他们的方法仅仅部分的缓解了由背景引起的问题,并且在特征对齐的过程中不考虑每个像素来减少域差距。
Kim, S., Choi, J., Kim, T., Kim, C.: Self-training and adversarial background regularization for unsupervised domain adaptive one-stage object detection. In: ICCV (2019)
提出的模型![在这里插入图片描述](https://img-blog.csdnimg.cn/d357c9a682184d8397f172d294ea6276.png)
我们首先描述全局特征对齐,并且然后介绍提出的center-aware对齐,这利用逐像素目标和中心度。为了提升性能,我们进一步合并多尺度对齐在适配过程中考虑目标尺度。
全局特征对齐
全局对齐的目的是对齐图像级上的特征来减少域差距。
ref
https://cloud.tencent.com/developer/article/1797188