基于非对称三路 Faster-RCNN 的领域自适应目标检测
计算机视觉与模式识别
2020-07-06 v1
摘要
传统目标检测模型在存在领域差异时不可避免地出现性能下降。近期提出无监督领域自适应目标检测以减小领域间差异，其中源领域标注丰富而目标领域无标注。现有模型遵循参数共享的孪生结构进行对抗性领域对齐，然而这易导致源领域崩溃与失控风险，并对特征适配带来负面影响。主要原因系源与目标之间标注不公平（非对称）使得参数共享机制无法适应。因此，为避免参数共享引起的源领域崩溃风险，我们提出一种用于领域自适应目标检测的非对称三路 Faster-RCNN（ATF）。我们的 ATF 模型具有两点显著优点：1）部署一个由源标签监督的辅助网络以学习辅助目标特征，同时保持源领域的判别性，从而增强领域对齐的结构判别性（目标分类 vs. 边界框回归）。2）由主网络与独立辅助网络构成的非对称结构从根本上克服了参数共享引发的源风险崩溃。所提 ATF 检测器的适配安全性得以保证。在包括 Cityscapes、Foggy-cityscapes、KITTI、Sim10k、Pascal VOC、Clipart 与 Watercolor 的多个数据集上的大量实验证明了我们方法的 SOTA 性能。
引用
@article{arxiv.2007.01571,
title = {Domain Adaptive Object Detection via Asymmetric Tri-way Faster-RCNN},
author = {Zhenwei He and Lei Zhang},
journal= {arXiv preprint arXiv:2007.01571},
year = {2020}
}
备注
The paper is accepted in ECCV2020