用于域自适应目标检测器的对比均值教师
计算机视觉与模式识别
2023-05-05 v1
摘要
目标检测器常常受到训练（源域）与真实世界应用（目标域）之间域差距的困扰。均值教师自训练是无监督域自适应目标检测中一种强有力的范式，但它受困于低质量伪标签。在这项工作中，我们指出了均值教师自训练与对比学习之间有趣的契合与协同。受此启发，我们提出对比均值教师（CMT）——一个统一的通用框架，将两种范式自然整合以最大化有益的学习信号。我们的策略不是仅将伪标签用于最终预测，而是利用伪标签提取目标级特征，并通过对比学习对其进行优化，无需目标域中的标签。当与近期的均值教师自训练方法结合时，CMT 带来了新的最先进目标域性能：在 Foggy Cityscapes 上达到 51.9% mAP，比此前最佳高出 2.1% mAP。值得注意的是，CMT 能稳定性能，并在伪标签噪声增大时提供更显著的增益。
引用
@article{arxiv.2305.03034,
title = {Contrastive Mean Teacher for Domain Adaptive Object Detectors},
author = {Shengcao Cao and Dhiraj Joshi and Liang-Yan Gui and Yu-Xiong Wang},
journal= {arXiv preprint arXiv:2305.03034},
year = {2023}
}
备注
CVPR 2023