Single-Domain Generalized Object Detection in Urban Scene(CVPR 22) 论文笔记

最新推荐文章于 2024-09-13 07:06:26 发布

吃土男孩_

最新推荐文章于 2024-09-13 07:06:26 发布

阅读量1.2k

点赞数

分类专栏：计算机视觉文章标签：目标检测计算机视觉深度学习

本文链接：https://blog.csdn.net/qq_40761320/article/details/125313838

版权

本文探讨如何提升目标检测器在未见过的领域中的泛化性能，提出一种循环分离自我蒸馏策略。在Single-DGOD问题中，通过循环解缠模块提取域不变表示(DIR)，在没有领域标签的情况下增强解缠能力。通过DIR的自蒸馏，使得特征映射包含更多域不变信息，进而提高检测器的泛化能力和性能。

摘要由CSDN通过智能技术生成

本文主要研究如何提高目标检测器的泛化能力。作者考虑一个现实的但具有挑战性的场景，即单域广义目标检测(Single-DGOD)，其目的是学习一个目标检测器，在许多看不见的目标域上表现良好，只有一个源域进行训练。对于Single-DGOD，提取包含对象本质特征的域不变表示(DIR)非常重要，这有利于提高对不可见域的鲁棒性。因此，我们提出了一种方法，即循环分离自我蒸馏，在没有领域相关注释(例如，领域标签)监督的情况下，将DIR从领域特定的表示中分离出来。具体地说，首先提出了一个循环解缠模块，从输入的视觉特征中循环提取DIR。通过循环操作，可以在不依赖域相关标注的情况下提高解缠能力。