用于平衡目标实例检测中域差距的剪切粘贴数据集生成

在仅有少量训练目标图像可用的情况下训练目标实例检测器是一项具有挑战性的任务。一种解决方案是剪切粘贴方法，该方法通过从训练图像中裁剪出目标区域并粘贴到其他背景图像上来生成训练数据集。使用剪切粘贴方法生成的数据集训练的检测器会受到传统域偏移问题的困扰，其根源在于源域（生成的训练数据集）与目标域（真实测试数据集）之间的差异。尽管最先进的域适应方法能够减小这一差距，但其效果有限，因为它们未考虑前景与背景域差距的差异。在本研究中，我们指出传统域差距可划分为前景与背景两个子域差距。进而，我们表明原始的剪切粘贴方法遭受一种新的域差距问题，即不平衡域差距，因为与传统的域偏移问题不同，它具有分别针对前景和背景的两个独立源域。然后，我们引入一种改进的剪切粘贴方法，通过利用 GAN（生成对抗网络）生成的种子图像使前景多样化，并借助图像处理技术简化背景，从而平衡不平衡的域差距。实验结果表明，我们的方法能有效平衡域差距，并在仅使用少量种子图像的杂乱室内环境中提升目标实例检测的准确性。此外，我们表明平衡域差距能够提升最先进域适应方法的检测精度。