面向域自适应目标检测的候选区域定位与分类协同训练
计算机视觉与模式识别
2020-09-21 v2
摘要
目标检测器通常用大量标注数据训练，这昂贵且费力。应用于无标注数据集的预训练检测器总受数据集分布差异（亦称域偏移）的困扰。目标检测的域适应试图将检测器从有标注数据集适配到无标注数据集以获得更好性能。本文首次揭示，常见两阶段检测器（如 Faster RCNN）中的区域提议网络（RPN）与区域提议分类器（RPC）在面对大域差距时表现出显著不同的可迁移性。区域分类器表现较优但受限于 RPN 缺乏高质量提议，而骨干网络中的简单对齐对 RPN 适配不够有效。我们深入探究 RPN 与 RPC 的一致性与差异，分别对待二者并利用一方的高置信度输出作为互指导来训练另一方。此外，低置信度样本用于计算 RPN 与 RPC 间差异并进行极小极大优化。在各场景下的大量实验结果证明了我们所提方法在域自适应区域提议生成与目标检测中的有效性。代码见 https://github.com/GanlongZhao/CST_DA_detection。
引用
@article{arxiv.2009.08119,
title = {Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection},
author = {Ganlong Zhao and Guanbin Li and Ruijia Xu and Liang Lin},
journal= {arXiv preprint arXiv:2009.08119},
year = {2020}
}
备注
Accepted by ECCV 2020