CLDA-YOLO：基于视觉对比学习的域自适应 YOLO 检测器
计算机视觉与模式识别
2024-12-17 v1
摘要
无监督域自适应（UDA）算法可以显著提升目标检测器在域偏移条件下的性能，从而减少大量标注和重新训练的需求。当前的域自适应目标检测算法主要针对两阶段检测器，当直接应用于 YOLO 等单阶段检测器时往往改进甚微。为了使 YOLO 检测器受益于 UDA，我们为 YOLO 检测器构建了一个使用师生协作系统的综合域自适应架构。在此过程中，我们提出了不确定性学习以应对由教师模型生成的具有极端不确定性的伪标签，并利用动态数据增强使师生系统渐近地适应环境。为了解决单阶段目标检测器无法在多个阶段进行对齐的问题，我们采用统一的视觉对比学习范式，分别在骨干网络和头部对齐实例，这稳步提升了检测器在跨域任务中的鲁棒性。总而言之，我们提出了一种基于视觉对比学习的无监督域自适应 YOLO 检测器（CLDA-YOLO），它在多个域自适应数据集上取得了极具竞争力的结果，且没有任何推理速度的下降。
引用
@article{arxiv.2412.11812,
title = {CLDA-YOLO: Visual Contrastive Learning Based Domain Adaptive YOLO Detector},
author = {Tianheng Qiu and Ka Lung Law and Guanghua Pan and Jufei Wang and Xin Gao and Xuan Huang and Hu Wei},
journal= {arXiv preprint arXiv:2412.11812},
year = {2024}
}