每周一篇 文献阅读—pape12 （无监督域适应方法和目标检测）

文章链接：https://arxiv.org/pdf/1803.03243.pdf
文章参考：

1. https://zhuanlan.zhihu.com/p/5947432
2. 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