用于自适应目标检测的通道级对齐
计算机视觉与模式识别
2020-09-08 v1
摘要
通用目标检测在过去十年中因深度卷积神经网络的发展而得到极大推动。然而，在域偏移情形下，天气、光照等变化常引起域间隙，从而当从一个域检测目标到另一域时性能大幅下降。该任务的现有方法通常关注基于整幅图像或感兴趣目标的粗粒度高层对齐，自然无法充分利用细粒度通道信息。本文从完全不同的视角实现自适应，即通道级对齐。受每个通道关注特定模式（例如特殊语义区域，如汽车）这一发现的启发，我们旨在通道层面上对齐源域和目标域的分布，这对于差异域之间的融合更为精细。我们的方法主要由自通道级和跨通道级对齐组成。这两部分从通道视角隐式探索注意力区域的内在关系与交叉关系。此外，我们还提出了一种RPN域分类器模块以获得域不变的RPN网络。大量实验表明，所提方法在各种域偏移设置下以约5%的提升显著优于现有方法。在不同任务（如实例分割）上的实验也证明了其良好的可扩展性。
引用
@article{arxiv.2009.02862,
title = {Channel-wise Alignment for Adaptive Object Detection},
author = {Hang Yang and Shan Jiang and Xinge Zhu and Mingyang Huang and Zhiqiang Shen and Chunxiao Liu and Jianping Shi},
journal= {arXiv preprint arXiv:2009.02862},
year = {2020}
}
备注
First two authors contributed equally