Domain Adaptive Faster R-CNN for Object Detection in the Wild
文章链接:https://arxiv.org/pdf/1803.03243.pdf
文章参考:
- https://zhuanlan.zhihu.com/p/5947432
- https://blog.csdn.net/djh123456021/article/details/84302026
概述
检测通常假定训练和测试数据是从相同的分布中提取的,然而,在实践中并不总是这样。这种分布不匹配将导致性能显著下降。这篇文章解决了两类的 domain shifts 问题:
image-level shift:如光照、图片风格等
instance-level shift :如物体外貌、大小等
这两类的domain shifts 都是基于H-divergence 理论,通过对抗训练的方法自适应的学习domain classifier 。通过一致性正则进一步增强了不同层次的域分类器,对齐image-level 和 instance-level 特征,基于Faster RCNN实现一个end-to-end 的系统。
主要方法
作者在faster rcnn的基础上,使用三个组件来解决这个问题,分别是:Instance-level domain classifier、Image-level domain classifier and consistency regularization。
物体检测问题可以看成是学习一个后验分布 P(C,B|I),其中 I 是图像的特征表示ÿ