基于无监督风格适配的艺术化物体识别

计算机视觉系统目前缺乏可靠识别艺术化渲染物体的能力，尤其在相关数据有限时。本文提出一种在艺术化模态（如绘画、卡通或草图）中识别物体的方法，且无需这些模态的任何标注数据。我们的方法显式地考虑了域间与域内的风格性域偏移。为此，我们引入一种补充训练模态，其构建为在艺术风格上与目标域相似，并强制网络学习在两种训练模态间不变的特征。我们展示了如何通过风格迁移技术自动生成此类人工标注源域，使用多样的目标图像来表示目标域中的风格。与需要大量无标注目标数据的现有方法不同，我们的方法仅需少至十张无标注图像即可工作。我们在多个跨域物体与场景分类任务以及我们发布的新数据集上进行了评估。实验表明，尽管概念简单，我们的方法显著提升了现有域适应技术在艺术化物体识别上的准确率。