Keywords: 迁移学习
1 介绍
这篇文章是CVPR2018的文章,主要是跟迁移学习相关的;
2 原文链接
《Domain Adaptive Faster R-CNN for Object Detection in the Wild》
3 论文译读
摘要
目标检测任务通常假设训练和测试数据来自同一分布,然而,该假设在实践中并不总是成立。这样的分布不匹配会导致性能的急剧下降。在本文中,我们旨在提升目标检测的跨域鲁棒性。作者从两个层次上解决领域转移问题:1)图像级迁移,例如:图像风格、光照等;2)实例级迁移,例如:目标外观、尺寸等。作者基于Faster-R-CNN模型建立了所提出的方法,并设计了两项域自适应组件,这两项组建分别从图像层次和实例层次来减少域差异。两项域自适应模块是基于H散度理论、通过对抗学习的方式学习一个域分类器来实现。不同层次的域分类器由一个连续性正则来进一步强化,用来学习到域无关的RPN网络。作者在多个数据集上评测了所提出的方法,这些数据集包括Cityscapes、KITTI和SIM10K等。结果证实了所提出的方法在多种域迁移场景上,可有效地实现鲁棒的目标检测。
3.1 引言
目标检测是计算机视觉中的基础性问题。它旨在识别和定位出一幅图像中特定种类的所有目标实例。随着CNN的浪潮,出现了许多基于CNN的目标检测方法,并取得了巨大的性能提升。【21_Girshick_2014_RichFH, 51_LeCun_2014_OverFeatIR, 20_ 2015_Fast_R-CNN, 8_Dai_2016_RFCN】