用于无监督域适应的对抗训练目标检测器
计算机视觉与模式识别
2024-10-28 v2 人工智能
机器学习
摘要
无监督域适应涉及将知识从有标签的源域迁移到无标签的目标域，可用于大幅降低目标检测领域的标注成本。在本研究中，我们证明源域中的对抗训练可作为一种用于无监督域适应的新方法。具体而言，我们证实对抗训练的检测器在相对于源域存在显著偏移的目标域上实现了更好的检测性能。该现象归因于以下事实：对抗训练的检测器可用于提取与人类感知一致且值得跨域迁移的鲁棒特征，同时丢弃特定于域的非鲁棒特征。此外，我们提出了一种结合对抗训练与特征对齐的方法，以确保鲁棒特征与目标域的改进对齐。我们在四个基准数据集上进行了实验，并证实了所提方法在从真实图像到艺术图像的大域偏移上的有效性。与基线模型相比，对抗训练的检测器将平均精度均值（mAP）提升了至多 7.7%，而在加入特征对齐后进一步提升了至多 11.8%。尽管我们的方法在小域偏移上性能下降，但基于 Frechet 距离的域偏移量化使我们能够判断是否应进行对抗训练。
引用
@article{arxiv.2109.05751,
title = {Adversarially Trained Object Detector for Unsupervised Domain Adaptation},
author = {Kazuma Fujii and Hiroshi Kera and Kazuhiko Kawamoto},
journal= {arXiv preprint arXiv:2109.05751},
year = {2024}
}
备注
10 pages, 6 figures. This work has been submitted to the IEEE for possible publication