协变量与概念偏移下目标检测的域泛化
计算机视觉与模式识别
2024-06-18 v5
摘要
域泛化旨在促进域不变特征的学习同时抑制域特定特征，从而使模型能更好地泛化到先前未见的目标域。本文提出一种用于目标检测的域泛化方法，这是首个适用于任意目标检测架构的此类方法。基于严格的数学分析，我们扩展了基于特征对齐的方法，增加了一个在实例层级执行类条件对齐的新组件，此外还在图像层级对齐跨域的边际特征分布。这使我们能全面处理域偏移的两个组成部分，即协变量偏移与概念偏移，并学习域不可知的特征表示。我们使用单阶段（FCOS、YOLO）与两阶段（FRCNN）检测器，在一个新提出的包含多个用于自动驾驶应用的数据集（Cityscapes、BDD10K、ACDC、IDD）以及用于精准农业的 GWHD 数据集的基准上进行了广泛评估，并显示出相对于基线与方法在泛化与定位性能上的一致提升。
引用
@article{arxiv.2203.05294,
title = {Domain Generalisation for Object Detection under Covariate and Concept Shift},
author = {Karthik Seemakurthy and Erchan Aptoula and Charles Fox and Petra Bosilj},
journal= {arXiv preprint arXiv:2203.05294},
year = {2024}
}