【论文速递】CVPR2019 - 用于自适应目标检测的强弱分布对齐

最新推荐文章于 2024-06-17 20:19:14 发布

AROSYYY

最新推荐文章于 2024-06-17 20:19:14 发布

阅读量232

点赞数 1

文章标签：目标检测计算机视觉深度学习

本文链接：https://blog.csdn.net/weixin_47525542/article/details/128976570

版权

【论文速递】CVPR2019 - 用于自适应目标检测的强弱分布对齐

【论文原文】：Strong-Weak Distribution Alignment for Adaptive Object Detection

【作者信息】：Kuniaki Saito; Yoshitaka Ushiku; Tatsuya Harada; Kate Saenko

获取地址：https://arxiv.org/abs/1812.04798

博主关键词： 目标检测

推荐相关论文：

无

摘要：

我们提出了一种将目标检测器从标签丰富域应用到标签缺乏域的无监督适应方法，这可以显着降低与检测相关的注释成本。最近，使用对抗性损失对齐源图像和目标图像分布的方法已被证明对调整目标分类器有效。但是，对于目标检测，在全局图像级别将源图像和目标图像的整个分布完全匹配可能会失败，因为域可能具有不同的场景布局和不同的对象组合。另一方面，局部特征（如纹理和颜色）的强匹配是有意义的，因为它不会改变类别级别的语义。这促使我们提出一种基于强局部对齐和弱全局对齐的检测器适应新方法。我们的主要贡献是弱对齐模型，该模型将对抗性对齐损失集中在全局相似的图像上，而不太强调对齐全局不同的图像。此外，我们设计了强域对齐模型，以仅查看特征图的局部感受野。我们在四个包含大域和小域偏移的数据集上实证验证了我们的方法的有效性。我们的代码可在 https://github.com/VisionLearningGroup/DA_Detection获得。

关键词 - 目标检测。

简介：

深度卷积神经网络大大提高了对象识别的准确性[18]，但仍依赖于大量标记的训练数据。对于目标检测，注释特别繁琐：每个图像中对象类别的每个实例都必须使用精确的边界框进行注释。从标签丰富的域转移预训练模型是一个有吸引力的解决方案，但数据集偏差通常会降低它们对新数据的泛化能力[31]。

目前，已经提出的各种无监督域自适应（UDA）方法以解决数据集偏差问题[10，41，40，25]，其中大多数是基于特征的域不变对齐[32]或图像分布的[21，14]。最近的方法使用对抗学习来对齐示例的源分布和目标分布，并且受到理论结果的激励，这些理论结果部分地将泛化误差限制在域之间的差异大小[2，1]。因此，传统观点认为必须不惜一切代价减少差异，必须不惜一切代价减少差异，这只有在完全对齐分布的情况下才能做到。在本文中，我们认为这种强域对齐仅在封闭问题中是合理的，例如源和目标示例共享相同类别和先前标签分布的对象分类设置。在诸如开集分类[4，34]或部分域适应[42]等设置中，强对齐可能不可行，实际上可能会损害性能。

在目标检测中，这一点尤其明显，因为对齐全局（图像级）特征意味着不仅对象类别，而且背景和场景布局必须在域中相似。然而，这正是当前最先进的UDA检测方法Adaptive Faster RCNN[5]试图做到的。它使用训练用于区分源和目标示例的域分类器来训练 Faster RCNN，而特征提取器则学习欺骗域分类器。特征对齐在全局图像比例和实例（目标）比例下完成。

虽然全局匹配可能适用于仅影响对象外观/纹理的小型域偏移（例如与天气相关的偏移），但对于影响场景布局、对象数量和/或其共存的较大偏移，它可能会损害性能。例如，源图像可能包含单个对象，而目标图像可能包含多个较小的对象。强制对此类全局特征保持不变性可能会损害性能。另一方面，局部要素的强对齐将与域的纹理或颜色相匹配，并且在大多数情况下应该会提高性能，因为它不会更改类别信息，但可能会减少域间隙。在本文中，“局部“尺度不是指实例（对象）尺度，而是具有小感受野的纹理或颜色特征。

在这些观察的激励下，我们提出了一种无监督的目标检测适应方法，该方法将弱全局对齐与强局部对齐相结合，称为强弱域对齐模型（图1顶部）。我们建议对全局特征应用弱对齐，部分对齐它们以减少域差距，而不会损害模型的性能。我们在图 1 的底部展示了一个弱全局对齐的示例，其中只有包含一个对象的目标图像与源对齐。我们的主要贡献是弱全局对齐模型，该模型将对抗性对齐损失集中在全局相似的图像上，而不是全局不同的图像上。此外，我们通过构建一个域分类器来实现强大的局部对齐，该分类器旨在仅查看局部特征并将它们与其他域严格对齐。我们验证了我们的方法在相似和不同领域之间适应的有效性。
在这里插入图片描述