面向低能见度条件下跨域目标检测的对抗防御教师模型
计算机视觉与模式识别
2024-03-26 v1
摘要
现有目标检测器在处理训练数据与真实世界数据之间的域偏移时面临挑战,尤其是在雾天和夜间等低能见度条件下。最先进的跨域目标检测方法采用教师-学生框架,并强制教师模型和学生模型分别在弱增强与强增强下产生一致的预测。在本文中,我们揭示了手工设计的增强方式不足以实现最优教学,并提出了一种简单而有效的框架,称为对抗防御教师(ADT),利用对抗防御来提升教学质量。具体而言,我们采用对抗攻击,鼓励模型在能够有效欺骗模型的细微扰动输入上实现泛化。针对低能见度条件下的小目标问题,我们提出了一种 Zoom-in Zoom-out 策略:对图像进行放大以获得更优的伪标签,并对图像与伪标签进行缩小以学习更精细的特征。我们的结果表明,ADT 取得了卓越的性能,在 Foggy Cityscapes 上达到 54.5% mAP,超越此前最优方法 2.6% mAP。
引用
@article{arxiv.2403.15786,
title = {Adversarial Defense Teacher for Cross-Domain Object Detection under Poor Visibility Conditions},
author = {Kaiwen Wang and Yinzhe Shen and Martin Lauer},
journal= {arXiv preprint arXiv:2403.15786},
year = {2024}
}