用于跨域目标检测的解耦自适应
计算机视觉与模式识别
2022-05-10 v3 机器学习
摘要
跨域目标检测比目标分类更具挑战性，因为图像中存在多个目标且在无标签目标域中每个目标的位置未知。因此，当我们自适应不同目标的特征以增强检测器的可迁移性时，前景与背景的特征容易混淆，这可能损害检测器的可判别性。此外，先前方法聚焦于类别自适应，却忽略了目标检测的另一重要部分，即边界框回归的自适应。为此，我们提出 D-adapt，即 Decoupled Adaptation（解耦自适应），以解耦对抗自适应与检测器的训练。此外，我们通过引入边界框适配器填补了目标检测中回归域自适应的空白。实验表明，D-adapt 在四项跨域目标检测任务上取得最先进（SOTA）结果，尤其在基准数据集 Clipart1k 和 Comic2k 上分别实现 17% 和 21% 的相对提升。
引用
@article{arxiv.2110.02578,
title = {Decoupled Adaptation for Cross-Domain Object Detection},
author = {Junguang Jiang and Baixu Chen and Jianmin Wang and Mingsheng Long},
journal= {arXiv preprint arXiv:2110.02578},
year = {2022}
}