利用自训练实现目标检测器向新域的自动适配
计算机视觉与模式识别
2019-04-17 v1 机器学习
摘要
本工作解决了将已有目标检测器无监督地适配到新目标域的问题。我们假设从该域可轻易获取大量无标签视频。我们通过使用已有检测器的高置信度检测结果，并结合利用跟踪器挖掘的时间线索所获得的困难（误分类）样本，自动获取目标数据上的标签。这些自动获得的标签随后被用于重新训练原始模型。我们提出了一种改进的知识蒸馏损失，并研究了几种为目标域训练样本分配软标签的方法。我们的方法在具有挑战性的人脸和行人检测任务上进行了实证评估：在 WIDER-Face（由从网络爬取的高质量图像组成）上训练的人脸检测器被适配到一个大规模监控数据集；在 BDD-100K 驾驶数据集的清晰白天图像上训练的行人检测器被适配到所有其他场景，如雨天、雾天、夜间。我们的结果表明了引入从跟踪获得的困难样本的有效性、通过蒸馏损失使用软标签相对于硬标签的优势，并展示了作为一种简单的目标检测器无监督域适配方法所具有的良好性能，且对超参数的依赖极小。
引用
@article{arxiv.1904.07305,
title = {Automatic adaptation of object detectors to new domains using self-training},
author = {Aruni RoyChowdhury and Prithvijit Chakrabarty and Ashish Singh and SouYoung Jin and Huaizu Jiang and Liangliang Cao and Erik Learned-Miller},
journal= {arXiv preprint arXiv:1904.07305},
year = {2019}
}
备注
Accepted at CVPR 2019