【论文速递】CVPR2019 - 通过选择性跨域对齐调整目标检测器

【论文速递】CVPR2019 - 通过选择性跨域对齐调整目标检测器

【论文原文】：Adapting Object Detectors via Selective Cross-Domain Alignment

【作者信息】：Xinge Zhu; Jiangmiao Pang; Ceyuan Yang; Jianping Shi; Dahua Lin

获取地址：http://openaccess.thecvf.com/content_CVPR_2019/papers/Zhu_Adapting_Object_Detectors_via_Selective_Cross-Domain_Alignment_CVPR_2019_paper.pdf

博主关键词： 目标检测

推荐相关论文：

无

摘要：

最先进的目标检测器通常在公共数据集上进行训练。当应用于不同的领域时，它们通常面临很大的困难，其中成像条件明显不同，并且相应的注释数据不可用（或获取成本很高）。一种自然的补救措施是通过对齐两个域上的图像表示来调整模型。例如，这可以通过对抗学习来实现，并且已被证明在图像分类等任务中是有效的。然而，我们发现在目标检测中，以这种方式获得的改进是相当有限的。一个重要原因是，传统的域适应方法努力将图像作为一个整体对齐，而目标检测本质上侧重于可能包含感兴趣对象的局部区域。受此启发，我们提出了一种用于目标检测的域自适应新方法，以处理“在哪里看”和“如何对齐”的问题。我们的关键思想是挖掘判别区域，即与目标检测直接相关的区域，并专注于在两个域中对齐它们。实验表明，在保持良好扩展性的同时，所提方法的性能明显优于现有方法，在各种域转移场景下提高了约4%∼6%。

关键词 - 目标检测。

简介：

在过去的几年中，深度学习的进步极大地推动了计算机视觉各种任务的最新发展，例如目标检测[3，7，14，15，18，37，34]和语义分割[27，47]。然而，应该指出的是，这种重大进展在很大程度上取决于大规模的带注释的训练数据。虽然已经存在几个公共基准[6，11，30]，但它们只能涵盖非常有限的场景范围。在实际部署中，环境条件（例如成像传感器、天气和照明）的变化会导致显著的域偏移，从而显著降低性能，如图 1 所示。

解决此问题的一个自然想法是随着域的转移获取新的训练数据。不幸的是，由于大规模注释需要巨大的成本，这种方法在实践中并不总是可行的。目标检测或实例分割的成本特别高，因为它需要详细的注释，例如单个对象的边界框或遮罩。一个有吸引力的替代方案是无监督域适应，即将在标准数据集上训练的模型适应新域（通常称为目标域），但不注释目标数据。沿着这条路线已经开发了多种方法，这些方法在图像分类[1，12，13，16，28，43]和语义分割[20，39，42，46，49]方面显示出令人鼓舞的结果。然而，如何有效地适应目标检测器仍然是一个广泛悬而未决的问题。

在我们最初的尝试中，我们直接将现有的域适应方法[10]应用于目标检测（进行了必要的技术调整），只是发现性能提升非常有限（更多细节在实验中显示）。我们对这个问题的调查揭示了图像分类和目标检测之间的关键区别：在对象检测的上下文中，我们通常会看到复杂场景的图像，其中感兴趣的对象仅占据其中的一小部分区域。因此，关注这些局部区域对于目标检测的成功至关重要。相反，传统的域自适应方法在尝试弥合域差距时通常将输入图像视为一个整体，而忽略了目标检测的局部性质。因此，他们在图像级别最小化域间隙的努力遇到了根本性的困难（由于结构和外观的显着变化）；然而，另一方面，本地对象没有得到足够的关注。

在这些发现的激励下，我们提出了一种自适应目标检测的新方法。基本思想是重新定位适应过程的重点，从全局到局部。具体来说，我们开发了一个新框架，该框架由两个关键组成部分组成，即区域挖掘和区域级对齐，分别解决了“在哪里寻找”和“如何对齐”的问题。在这里，区域挖掘采用分组策略来确定最重要的局部区域，以增强对异常值（在实践中经常出现）的鲁棒性；而区域级对齐首先利用源域中的区域提案来重新权衡目标区域提案，从而克服缺乏目标注释带来的困难，然后以对抗的方式执行区域级域对齐。总的来说，这两个组成部分的合作导致一个以感兴趣的区域为重点的适应进程，从而提高了效力。

我们在各种域转换设置下测试了所提出的方法，包括正常到雾（城市景观到城市景观雾）、合成到真实（Sim10k到城市景观）和跨摄像头（Kitti到城市景观）。在这些实验中，所提出的方法比现有方法有了相当大的改进，在mAP中约为4%至6%。我们还将该方法扩展到实例分段，获得了显着的性能提升，这进一步证明了其强大的泛化能力和可扩展性。这项工作的贡献主要在于三个方面：（1）我们的研究揭示了自适应目标检测器成功的一个关键方面，即在弥合域差距时关注局部区域。（2）我们开发了用于目标检测的新域适应框架，通过有效的区域挖掘和区域级对齐，重新定位了适应过程的重点。（3）我们进行了广泛的实验，将所提出的方法与其他方法在各种设置上进行比较，它不仅在对象检测方面而且在实例分割方面都产生了显着的性能提升。

【论文速递 | 精选】

论坛地址：https://bbs.csdn.net/forums/paper