Domain Adaptive Object Detection via Balancing Between Self-Training and Adversarial Learning
通过自我训练与对抗学习平衡实现领域自适应目标检测
Muhammad Akhtar Munir , Muhammad Haris Khan , M. Saquib Sarfraz , and Mohsen Ali
摘要
基于深度学习的目标检测器在泛化到具有显著变化的目标和背景的新目标领域时存在困难。大多数当前方法通过使用图像或实例级别的对抗性特征对齐来对齐领域。这常常因为不想要的背景和缺乏类别特定的对齐而受苦。促进类别级别对齐的一个简单方法是使用未标记领域上的高置信度预测作为伪标签。这些预测通常是嘈杂的,因为模型在领域转移下校准不良。在本文中,我们提出利用模型的预测不确定性来在对抗性特征对齐和类别级别对齐之间找到正确的平衡。我们开发了一种技术来量化类别分配和边界框预测上的预测不确定性。使用低不确定性的模型预测生成自我训练的伪标签,而使用较高不确定性的预测生成用于对抗性特征对齐的瓦片。在模型适应期间,围绕不确定目标区域进行平铺和从高度确定的目标区域生成伪标签的这种协同作用,允许捕获图像和实例级别的上下文。我们报告了彻底的消融研