用于野外目标检测的域自适应 Faster R-CNN
计算机视觉与模式识别
2018-03-09 v1
摘要
目标检测通常假设训练数据与测试数据来自相同分布，然而实践中这并非总是成立。这种分布失配会导致显著的性能下降。在本工作中，我们旨在提升目标检测的跨域鲁棒性。我们在两个层面上处理域偏移：1）图像级偏移，如图像风格、光照等；2）实例级偏移，如物体外观、尺寸等。我们基于近期最先进的 Faster R-CNN 模型构建方法，并设计两个域自适应组件（图像级与实例级）以减小域差异。这两个域自适应组件基于 H-散度理论，并通过以对抗训练方式学习域分类器来实现。不同层级的域分类器进一步通过一致性正则化来强化，以在 Faster R-CNN 模型中学习域不变的区域提议网络（RPN）。我们使用包括 Cityscapes、KITTI、SIM10K 等多个数据集评估我们新提出的方法。结果证明了我们所提方法在各种域偏移场景下用于鲁棒目标检测的有效性。
引用
@article{arxiv.1803.03243,
title = {Domain Adaptive Faster R-CNN for Object Detection in the Wild},
author = {Yuhua Chen and Wen Li and Christos Sakaridis and Dengxin Dai and Luc Van Gool},
journal= {arXiv preprint arXiv:1803.03243},
year = {2018}
}
备注
Accepted to CVPR 2018