通过域混合与对比学习实现水下目标检测中的域泛化
计算机视觉与模式识别
2023-01-19 v6
摘要
现有的水下目标检测方法在面临由复杂水下环境引起的域偏移时性能严重下降。由于数据集中域数量的限制，深度检测器容易记住少数已见域，导致泛化能力低。有两种常见的思路可改善域泛化性能。首先，可以推断在尽可能多的域上训练的检测器是域不变的。其次，对于不同域中语义内容相同的图像，其隐藏特征应当等价。本文进一步挖掘这两种思路，提出了一种域泛化框架（称为DMC），从域混合与对比学习中学习如何跨域泛化。首先，基于水下图像的形成，水下环境中的一幅图像是另一水下环境的线性变换。因此，提出一种风格迁移模型，其输出线性变换矩阵而非整幅图像，将图像从一个源域变换到另一个源域，丰富训练数据的域多样性。其次，mixup操作在特征层面上插值不同域，在域流形上采样新域。第三，对比损失有选择地应用于来自不同域的特征，以迫使模型学习域不变特征但保留判别能力。使用我们的方法，检测器将对域偏移具有鲁棒性。此外，建立了用于检测的域泛化基准S-UODAC2020以衡量我们方法的性能。在S-UODAC2020和两个目标识别基准（PACS和VLCS）上的综合实验表明，所提方法能够学习域不变表示，并优于其他域泛化方法。
引用
@article{arxiv.2104.02230,
title = {Achieving Domain Generalization in Underwater Object Detection by Domain Mixup and Contrastive Learning},
author = {Yang Chen and Pinhao Song and Hong Liu and Linhui Dai and Xiaochuan Zhang and Runwei Ding and Shengquan Li},
journal= {arXiv preprint arXiv:2104.02230},
year = {2023}
}