用于跨域目标检测的课程的自我步调学习
计算机视觉与模式识别
2021-01-22 v4 机器学习
摘要
训练（源）域偏差影响最先进的如 Faster R-CNN 等目标检测器在应用于新（目标）域时的表现。为缓解该问题，研究者提出多种域适应方法以改进跨域设定下的目标检测结果，例如利用 Cycle-GAN 将带真值标签的源域图像转换至目标域。在巧妙高效地结合 Cycle-GAN 变换与自我步调学习的基础上，本文提出一种从易到难学习的新型自我步调算法。我们的方法简单有效，推理时无任何额外开销。其仅使用取自目标域样本的伪标签，即域适应为无监督的。我们在四个跨域基准上实验，结果显示优于当前最优（SOTA）。我们还进行消融研究，证明框架中各组件的效用。此外，我们研究了框架对其他目标检测器的适用性。进一步，我们将难度度量与文献中其他度量比较，证明其产生更优结果且与性能度量相关性良好。
引用
@article{arxiv.1911.06849,
title = {Curriculum Self-Paced Learning for Cross-Domain Object Detection},
author = {Petru Soviany and Radu Tudor Ionescu and Paolo Rota and Nicu Sebe},
journal= {arXiv preprint arXiv:1911.06849},
year = {2021}
}
备注
Accepted for publication in Computer Vision and Image Understanding