对抗攻击教师模型用于无监督域自适应目标检测
计算机视觉与模式识别
2024-08-20 v1
摘要
目标检测器在处理域偏移时面临挑战。最先进的域自适应目标检测方法采用教师-学生框架和域对抗学习来生成域不变的伪标签用于自训练。然而，教师模型生成的伪标签倾向于偏向多数类，并且经常错误地包含过度自信的假正例和欠自信的假负例。我们揭示出容易受到对抗攻击的伪标签更有可能是低质量的。为解决这一问题，我们提出了一种简单而有效的框架——对抗攻击教师模型（AAT），用于提高伪标签的质量。具体而言，我们对教师模型施加对抗攻击，促使其生成对抗性伪标签以纠正偏差、抑制过度自信并鼓励欠自信的提议。引入自适应伪标签正则化以强调高置信度伪标签的影响并减少不确定预测的负面影响。此外，通过伪标签正则化验证的鲁棒少数类目标被过采样，以最小化数据集不平衡且不引入假正例。在各种数据集上进行的广泛实验表明，AAT 实现了优越性能，在 Clipart1k 上达到 52.6 mAP，超越先前最先进方法 6.7%。
引用
@article{arxiv.2408.09431,
title = {Adversarial Attacked Teacher for Unsupervised Domain Adaptive Object Detection},
author = {Kaiwen Wang and Yinzhe Shen and Martin Lauer},
journal= {arXiv preprint arXiv:2408.09431},
year = {2024}
}