DeceptionNet：网络驱动的域随机化
计算机视觉与模式识别
2019-08-21 v2
摘要
我们提出一种新方法以应对合成数据与真实数据之间的域适应问题。不同于采用“盲目”的域随机化（即利用随机背景增强合成渲染图像，或改变光照与着色），我们利用任务网络自身作为对抗性引导，朝向能最大化输出不确定性的有用增强。为此，我们设计了一种极小极大优化方案，其中给定任务与一个特殊的欺骗网络竞争，以在欺骗者所施加的特定约束下最小化任务误差。该欺骗网络从一族可微分的像素级扰动中采样，并利用任务架构寻找最具破坏性的增强。不同于需要来自目标域的无标签数据的基于 GAN 的方法，我们的方法实现了鲁棒的映射，仅从源数据即可良好泛化到多个目标分布。我们将我们的框架应用于增强版 MNIST 变体上的数字识别、Cropped LineMOD 数据集上的分类与物体姿态估计，以及 Cityscapes 数据集上的语义分割，并将其与若干域适应方法比较，从而展示出相似结果且具有更优的泛化能力。
引用
@article{arxiv.1904.02750,
title = {DeceptionNet: Network-Driven Domain Randomization},
author = {Sergey Zakharov and Wadim Kehl and Slobodan Ilic},
journal= {arXiv preprint arXiv:1904.02750},
year = {2019}
}
备注
ICCV 2019