面向自动驾驶中域不一致目标检测的双课程教师模型
计算机视觉与模式识别
2022-10-18 v1
摘要
近年来，自动驾驶中的目标检测受到越来越多的关注，其中标注数据通常昂贵，而未标注数据可轻易收集，这呼吁该领域的半监督学习研究。现有的半监督目标检测（SSOD）方法通常假设标注数据与未标注数据来自相同的数据分布。然而，在自动驾驶中，数据通常采集自不同场景，例如不同天气条件或一天中的不同时刻。受此启发，我们研究了一个新颖但具挑战性的域不一致 SSOD 问题。它涉及不同域之间的两种分布偏移，包括（1）数据分布差异，以及（2）类别分布偏移，使得现有 SSOD 方法遭受不准确的伪标签并损害模型性能。为解决这个问题，我们提出了一种新方法，即双课程教师（DucTeacher）。具体而言，DucTeacher 由两种课程组成，即（1）域演化课程旨在通过估计域间相似性来从数据中渐进学习以处理数据分布差异，以及（2）分布匹配课程旨在为每个未标注域估计类别分布以处理类别分布偏移。通过这种方式，DucTeacher 能够校准有偏伪标签并有效处理域不一致 SSOD 问题。DucTeacher 在最大的公开半监督自动驾驶数据集 SODA10M 和广泛使用的 SSOD 基准 COCO 上展现了其优势。实验表明，DucTeacher 在 SODA10M 上以 2.2 mAP 的提升和在 COCO 上以 0.8 mAP 的提升取得了新的 SOTA 性能。
引用
@article{arxiv.2210.08748,
title = {Dual-Curriculum Teacher for Domain-Inconsistent Object Detection in Autonomous Driving},
author = {Longhui Yu and Yifan Zhang and Lanqing Hong and Fei Chen and Zhenguo Li},
journal= {arXiv preprint arXiv:2210.08748},
year = {2022}
}
备注
Accepted at BMVC 2022