由粗到细：基于对抗打分网络的域自适应人群计数
计算机视觉与模式识别
2021-07-28 v1 多媒体
摘要
近期的深度网络已令人信服地展现出在人群计数上的高性能，该任务因其多种工业应用而备受关注。尽管取得此类进展，训练数据依赖的模型通常因固有的域偏移而无法很好地泛化至未知场景。为缓解此问题，本文提出一种新颖的对抗打分网络（ASNet），由粗到细地逐步弥合跨域鸿沟。具体而言，在粗粒度阶段，我们设计双判别器策略，通过对抗学习从全局与局部特征空间两个视角使源域逼近目标域，从而可大致对齐两域分布。在细粒度阶段，我们基于粗粒度阶段生成的生成概率，通过评估源样本与目标样本在多层级上的相似度来进行打分，以此探究源域特征的可迁移性。在这些层级化打分引导下，可迁移的源特征被恰当筛选，以增强适配过程中的知识迁移。借助由粗到细的设计，由域差异引发的泛化瓶颈得以有效缓解。三组迁移实验表明，与主要无监督方法相比，所提方法取得了最先进计数性能。
引用
@article{arxiv.2107.12858,
title = {Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring Network},
author = {Zhikang Zou and Xiaoye Qu and Pan Zhou and Shuangjie Xu and Xiaoqing Ye and Wenhao Wu and Jin Ye},
journal= {arXiv preprint arXiv:2107.12858},
year = {2021}
}
备注
Accepted by ACMMM2021