2PCNet：用于昼夜无监督域自适应目标检测的两阶段一致性训练
计算机视觉与模式识别
2023-03-27 v1
摘要
夜间目标检测因缺乏夜间图像标注而具挑战性。尽管已有若干域自适应方法，实现高精度结果仍存在问题。在使用成熟的学生-教师框架的方法中仍观察到假阳性误差传播，尤其针对小尺度和低光照物体。本文提出一种两阶段一致性无监督域自适应网络2PCNet以解决这些问题。该网络在第一阶段采用教师模型的高置信度边界框预测，并将其追加到学生的区域提议中供教师在第二阶段重新评估，从而产生高置信度与低置信度伪标签的组合。夜间图像与伪标签在作为学生输入前被缩小，提供更强的尺度较小伪标签。为解决图像中低光照区域及其他夜间相关属性引发的误差，我们提出称为NightAug的夜间专用增强流程。该流程对白天图像施加随机增强，如眩光、模糊和噪声。在公开数据集上的实验表明，我们的方法比最先进方法优20%，也比直接在目标数据上训练的有监督模型更优。
引用
@article{arxiv.2303.13853,
title = {2PCNet: Two-Phase Consistency Training for Day-to-Night Unsupervised Domain Adaptive Object Detection},
author = {Mikhail Kennerley and Jian-Gang Wang and Bharadwaj Veeravalli and Robby T. Tan},
journal= {arXiv preprint arXiv:2303.13853},
year = {2023}
}
备注
Accepted into CVPR'23