用于车载深度目标检测的协同训练

为视觉模型提供真值监督多年来一直是瓶颈，而领域偏移会退化此类模型性能，使问题更趋严重。在视觉任务依赖手工特征与浅层机器学习时即是如此；尽管深度学习带来了前所未有的性能提升，但由于其数据饥渴的特性，该问题在其范式下依然未解。性能最佳的深度视觉目标检测器以有监督方式训练，依赖人工标注的边界框来定位训练图像中的类实例（即对象）。因此，目标检测正是此类人工标注为主要瓶颈的任务之一。本文中，我们评估协同训练作为一种半监督学习方法，用于在未标注图像中自标注对象，从而减少开发深度目标检测器所需的人工标注工作。我们的研究特别关注涉及领域偏移的场景；具体而言，当我们拥有带对象边界框的自动生成虚拟世界图像，以及未标注的真实世界图像时。此外，我们特别感兴趣的是在驾驶辅助系统和/或自动驾驶车辆背景下，将协同训练用于深度目标检测。因此，利用这些应用背景下目标检测的成熟数据集与协议，我们将展示协同训练作为一种缓解对象标注的范式值得追求，其既可单独工作，也可与任务无关的域适应协同工作。