cvpr2019 目标检测算法_CVPR2019 论文解读 | FA FR-CNN：小样本域适应的目标检测

作者 | 文永亮

学校 | 哈尔滨工业大学（深圳）

研究方向 | 时空序列预测、GAN

引文

​ 最近笔者也在寻找目标检测的其他方向，一般可以继续挖掘的方向是从目标检测的数据入手，困难样本的目标检测，如检测物体被遮挡，极小人脸检测，亦或者数据样本不足的算法。这里笔者介绍一篇小样本（few-shot）数据方向下的域适应（Domain Adaptation）的目标检测算法，这篇新加坡国立大学&华为诺亚方舟实验室的paper《Few-shot Adaptive Faster R-CNN》被收录于CVPR2019，解决的具体问题场景是我们有在普通常见场景下的汽车目标检测，我们只有少量雾天暴雨极劣天气环境下的汽车样本，那么我们可以使用成对采样（pairing-sampling）的方法，源域（source domain）即普通场景下的汽车样本

和目标域（target domain）即

恶劣天气下的汽车样本

成对

组成负样本

，另一方面 源域下成对组成正样本

，使用GAN的结构，判别器（discriminator）尽可能去分辨正负样本的不同，也就是 分辨出源域和目标域的样本，生成器（generator）是尝试去迷惑判别器。这就是这个算法的主要思想，主要是把域适应的思想应用到了目标检测上。

​ 论文源码还没完全开源，只找到了个官方的repo：https://github.com/twangnh/FAFRCNN

思考

在介绍文章具体网络设计和损失函数的设计之前，我们可以带着一个问题去思考。

1. 用GAN的结构，数据样本使用
   作为正样本、