CAT：利用类间动力学进行域自适应目标检测
计算机视觉与模式识别
2024-03-29 v1
摘要
域自适应目标检测旨在将检测模型适应到无标注数据可用的领域。已有方法被提出使用半监督的师生框架来解决域差距问题。然而，标注训练集中的类别不平衡这一根本问题可能会导致不准确的伪标签。类别之间的关系，尤其是一个类别为多数类而另一个为少数类的情况，对类别偏差有很大影响。我们提出了类感知教师 (Class-Aware Teacher, CAT) 来解决域适应设置中的类别偏差问题。在我们的工作中，我们用类间关系模块 (Inter-Class Relation module, ICRm) 近似类别关系，并利用它来减少模型内部的偏差。通过这种方式，我们能够对高度相关的类别应用数据增强（包括域间和域内），以提升少数类的性能，同时对多数类的影响最小。我们通过在分类损失中实现类关系权重来进一步减少偏差。在各种数据集上进行的实验和消融研究表明，我们的方法能够解决域适应设置中的类别偏差问题。在 Cityscapes 到 Foggy Cityscapes 数据集上，我们获得了 52.5 mAP，相比最先进方法取得的 51.2 mAP 有了显著提升。
引用
@article{arxiv.2403.19278,
title = {CAT: Exploiting Inter-Class Dynamics for Domain Adaptive Object Detection},
author = {Mikhail Kennerley and Jian-Gang Wang and Bharadwaj Veeravalli and Robby T. Tan},
journal= {arXiv preprint arXiv:2403.19278},
year = {2024}
}
备注
Accepted into CVPR 2024