基于目标感知双分支蒸馏的跨域目标检测
计算机视觉与模式识别
2022-05-04 v1
摘要
跨域目标检测是一项现实且具挑战性的任务。由于数据分布存在较大偏移且目标域缺乏实例级标注，其性能会下降。现有方法主要关注这两个困难之一，尽管它们在跨域目标检测中紧密耦合。为解决该问题，我们提出了一种新颖的目标感知双分支蒸馏（TDD）框架。通过将源域与目标域的检测分支集成于统一的师生学习方案中，该框架可有效减小域偏移并生成可靠的监督信号。具体而言，我们首先在两个域之间引入一个独特的目标提议感知器（Target Proposal Perceiver）。它通过利用来自迭代交叉注意力的目标提议上下文，自适应地增强源检测器以感知目标图像中的物体。随后，我们设计了一种简洁的双分支自蒸馏策略用于模型训练，该策略可通过两个分支中的自蒸馏逐步整合来自不同域的互补物体知识。最后，我们在跨域目标检测中多个广泛使用的场景上进行了大量实验。结果表明，我们的 TDD 在所有基准上均显著优于 SOTA 方法。我们的代码与模型将发布于 https://github.com/Feobi1999/TDD。
引用
@article{arxiv.2205.01291,
title = {Cross Domain Object Detection by Target-Perceived Dual Branch Distillation},
author = {Mengzhe He and Yali Wang and Jiaxi Wu and Yiru Wang and Hanqing Li and Bo Li and Weihao Gan and Wei Wu and Yu Qiao},
journal= {arXiv preprint arXiv:2205.01291},
year = {2022}
}
备注
CVPR2022