面向源自由目标检测的动态重训练-更新均值教师方法
计算机视觉与模式识别
2024-07-24 v1
摘要
在目标检测中，无监督域适应（UDA）旨在将来自标记源域的知识迁移到未标记的目标域。然而，UDA对标记源数据依赖性限制了其在隐私相关场景下的适应性。本研究聚焦于源自由目标检测（SFOD），即在不使用标记源数据的情况下将源训练检测器适应到未标记的目标域。最近的自训练进展，特别是采用均值教师（MT）框架，在SFOD部署方面显示出前景。然而，缺乏源端监督显著削弱了这些方法的稳定性。我们识别出两个主要问题：（1）由于来自不恰当的学生模型更新导致教师模型不可控的退化；（2）学生模型倾向于复制来自错误伪标签的错误，导致其陷入局部最优。这两个因素导致严重的循环依赖，使得近期的自训练框架性能迅速恶化。为解决这些挑战，我们提出动态重训练-更新（DRU）机制，主动管理学生训练和教师更新过程，以实现协同进化训练。此外，我们引入历史学生损失以缓和错误伪标签的影响。我们的方法在多个域适应基准测试上实现了SFOD设置下的状态-of-the-art性能，甚至在某些方面超过了先进的UDA方法。代码将在 https://github.com/lbktrinh/DRU 发布。
引用
@article{arxiv.2407.16497,
title = {Dynamic Retraining-Updating Mean Teacher for Source-Free Object Detection},
author = {Trinh Le Ba Khanh and Huy-Hung Nguyen and Long Hoang Pham and Duong Nguyen-Ngoc Tran and Jae Wook Jeon},
journal= {arXiv preprint arXiv:2407.16497},
year = {2024}
}
备注
ECCV 2024