基于条件域归一化的目标检测器自适应方法
计算机视觉与模式识别
2020-07-23 v2
摘要
现实世界中的目标检测器常常受到不同数据集之间域差异的挑战。在本工作中，我们提出条件域归一化（CDN）来弥合域差异。CDN旨在将不同域的输入编码到一个共享的潜在空间中，使得来自不同域的特征携带相同的域属性。为此，我们首先通过一个域嵌入模块从某一域的语义特征中解耦出域特定属性，该模块学习一个域向量来刻画相应的域属性信息。然后，该域向量通过条件归一化用于编码另一域的特征，从而使得不同域的特征携带相同的域属性。我们将CDN整合到目标检测器的多个卷积阶段中，以自适应地处理不同层次表示的域偏移。与现有通过在语义特征上进行域混淆学习以去除域特定因素的适配工作不同，CDN通过以另一域学习到的域向量为条件来调制某一域的语义特征，从而对齐不同的域分布。大量实验表明，CDN在真实到真实以及合成到真实的适配基准（包括2D图像检测和3D点云检测）上均显著优于现有方法。
引用
@article{arxiv.2003.07071,
title = {Adapting Object Detectors with Conditional Domain Normalization},
author = {Peng Su and Kun Wang and Xingyu Zeng and Shixiang Tang and Dapeng Chen and Di Qiu and Xiaogang Wang},
journal= {arXiv preprint arXiv:2003.07071},
year = {2020}
}
备注
Accepted at ECCV 2020