基于域惩罚的目标检测领域外推 generalization 方法
计算机视觉与模式识别
2024-08-06 v1
摘要
在目标检测领域，域外推 (Domain Generalization, DG) 旨在通过学习跨多个源域中对应感兴趣对象的鲁棒域不变特征，确保在多样且未见的目标域上获得稳健性能。虽然已有许多方法用于执行分类任务的域外推，但针对目标检测的研究仍很少。本文提出了一种名为域惩罚 (DP) 的框架，用于目标检测任务，假设数据来自多个源域，并在完全未见的测试域上进行测试。我们为每个域分配惩罚权重，根据检测网络在各源域上的性能更新其值。通过优先关注需要更多关注的域，本方法有效平衡了训练过程。我们在GWHD 2021数据集上进行评估，该数据集是WiLDS基准的一部分，并与ERM和GroupDRO进行比较，因为它们主要基于损失函数。我们的实验结果表明，针对FasterRCNN，本方法在验证和测试集的外部分离 (Out-of-Distribution, OOD) 集合上的准确率分别提高了0.3个百分点和0.5个百分点。我们还比较了在FCOS检测器上的性能，结果表明本方法在验证和测试集上的基线OOD性能分别提高了1.3个百分点和1.4个百分点。这一研究强调了基于性能的域惩罚在提高目标检测模型在多样化环境中的泛化能力方面的潜力。
关键词
引用
@article{arxiv.2408.01746,
title = {Domain penalisation for improved Out-of-Distribution Generalisation},
author = {Shuvam Jena and Sushmetha Sumathi Rajendran and Karthik Seemakurthy and Sasithradevi A and Vijayalakshmi M and Prakash Poornachari},
journal= {arXiv preprint arXiv:2408.01746},
year = {2024}
}