用于跨域人群计数的双层对齐方法
计算机视觉与模式识别
2022-05-13 v1
摘要
近年来，人群密度估计受到越来越多的关注。该任务的主要挑战是在大量训练数据上获得高质量人工标注。为避免对此类标注的依赖，先前工作应用无监督域适应（UDA）技术，将易获取的合成数据上学习到的知识迁移到真实世界数据集。然而，当前最先进的方法要么依赖外部数据训练辅助任务，要么采用昂贵的由粗到细的估计。本工作中，我们旨在开发一种基于对抗学习的新方法，其简单且高效易用。为缩小合成数据与真实数据间的域差距，我们设计了一个双层对齐框架（BLA），包括（1）任务驱动的数据对齐与（2）细粒度特征对齐。与先前的域增强方法不同，我们引入 AutoML 在源域上搜索最优变换，以良好服务于下游任务。另一方面，我们对前景与背景分别进行细粒度对齐，以缓解对齐难度。我们在五个真实世界人群计数基准上评估了我们的方法，以较大优势优于现有方法。此外，我们的方法简单、易于实现且高效易用。代码已公开于 https://github.com/Yankeegsj/BLA。
引用
@article{arxiv.2205.05844,
title = {Bi-level Alignment for Cross-Domain Crowd Counting},
author = {Shenjian Gong and Shanshan Zhang and Jian Yang and Dengxin Dai and Bernt Schiele},
journal= {arXiv preprint arXiv:2205.05844},
year = {2022}
}
备注
accepted by CVPV2022