基于多粒度置信度对齐的均值教师跨域目标检测
计算机视觉与模式识别
2024-07-11 v1
摘要
跨域目标检测通过从带标注的源域迁移知识，为未标注的目标域学习目标检测器。均值教师方法已取得有前景的结果，然而，作为相互学习瓶颈的伪标签仍需进一步探索。本研究发现，预测中的置信度错位，包括类别级过度自信、实例级任务置信度不一致以及图像级置信度聚焦偏差，会导致训练过程中注入噪声伪标签，从而在目标域上产生次优性能。为解决此问题，我们提出一种新颖的通用框架，称为多粒度置信度对齐均值教师（MGCAMT），用于跨域目标检测，该框架同时缓解类别级、实例级和图像级的置信度错位，以获得高质量的伪监督，从而更好地进行师生学习。具体而言，为了在类别级对齐置信度与准确性，我们提出分类置信度对齐（CCA），基于证据深度学习（EDL）建模类别不确定性，并通过不确定性感知选择策略过滤掉类别错误标签。此外，为了缓解分类与定位之间的实例级错位，我们设计了任务置信度对齐（TCA），以增强两个任务分支之间的交互，并允许每个分类特征自适应地定位回归的最优特征。最后，我们开发了图像聚焦置信度对齐（FCA），采用另一种伪标签学习方式，即直接使用均值教师网络的原始输出进行无标签分配的监督学习，以聚焦目标图像的整体信息。这三个过程在协作学习视角下相互促进。
引用
@article{arxiv.2407.07780,
title = {Cross Domain Object Detection via Multi-Granularity Confidence Alignment based Mean Teacher},
author = {Jiangming Chen and Li Liu and Wanxia Deng and Zhen Liu and Yu Liu and Yingmei Wei and Yongxiang Liu},
journal= {arXiv preprint arXiv:2407.07780},
year = {2024}
}